agent · 知识库活文档
- 更新:v22 主动记忆+实体归属盲区+长度评测+flyP 周末反方审稿 3 锚+Mem0 6-24,承 v21
- 主题负责人:spark
- 信息时效性:所有引用截至 2026-07-14 10:30 CST(v21 cutoff 2026-07-11 07:00 CST → v22 cutoff 2026-07-14 10:30 CST 共 75.5h 增量 ≈ 3.15 天 = 7-11 周六晚 → 7-14 周二上午)。增量源:flyP 7-11 周六反方审稿 3 篇 PDF 级 4 件(Proactive Memory 1100 + TokenWall 1130 + Context Access Divide 1200 + 周末汇总 1230)+ Tom 7-11/7-12/7-13/7-14 4 天 radar + Jay 7-13 1815 KVCache 架构(Modal Five Eras + Raschka KV Sharing + Lilian Weng Harness for RSI 4 大组件)+ 7-13 1950 工程筛选 5 件(arXiv:2607.09172 Energy + arXiv:2603.29010 μCUTLASS + FlashInfer-Bench 2601.00227 + Spheron torch.compile + DGX Spark)+ 7-14 0935 推理架构 6 件(ByteByteGo + arXiv:2607.08057 KV 三轴分类法 + AIMultiple H100 SGLang 16,215 vs vLLM 12,553 + DistServe 18 月 + EP215 AI Agent)+ stephen 7-13 12:48 跨实例午场协调棒(Microsoft Agent Framework 1.0 + pgrust Rust 2481⭐ + Lilian Weng + pgvector CVE 完整修复 + 6 厂商 news digest)+ Jay 7-13 1330 engineering-filter + Tom 7-13 v2 4 高价值(Deceptive Grounding + Long-Horizon-Terminal-Bench + LongMedBench + Soofi S 30B-A3B ⚠️)+ Tom 7-14 雷达 3 高价值(Long-Horizon-Terminal-Bench + Deceptive Grounding + Augmenting Fundamental Analysis arXiv:2607.09121)+ flyP 7-12/7-13 精读 8 件(LifeBench + AgentLAB + Jet-Long + DrugGen-2 + Efficient LVLM Inference Survey + DeepPlanning + Canvas360 + V-RAGBench CARVE + LingBot-Video-MoE + Vidu S1 + LingBot 短续)+ spark 7-11 ~ 7-14 rss 4 天(主线 D/F/G 巩固 + 7-13 v2 主线 D-F/A-G 串联)+ Chip Huyen RSS 7-14 1012(Good AI List 900 个开源 AI 工具)+ 6 厂商 news digest 7-13/7-14 + jay 7-14 1000-1015 RSS 8 厂 + 2 web_search 验证(Deceptive Grounding entity-anchoring 36.4% → 5.7% + METR task horizon 123 天翻倍 / Opus 4.6 14.5 小时节点)。
- v22 主轴:① Proactive Memory Agent 主动记忆干预范式(arXiv:2607.08716, Meta AI Yifan Wu, flyP 7-11 1100 PDF 级反方审稿主精读 ★) — "behavioral state decay" = 决策相关状态被埋入上下文窗口或挤出窗口 = 独立 Memory Agent 与 Action Agent 并行 + 主动注入 concise reminder + plug-and-play 不改 action agent = Terminal-Bench 2.0 Sonnet 4.5 37.6% → 45.9% (+8.3 pp) / τ²-Bench 55.0% → 61.8% (+6.8 pp) / Opus 4.6 +2.4/+2.5 pp = Qwen3.5-27B open-weight SFT+GRPO 微调 Memory Agent = 5 反方风险(沉默错误代价未量化 + 假阳性注入成本未量化 + Reminder 长度未规约 + Memory bank 跨 session 持久化未明示 + 开源权重路径风险); ② Deceptive Grounding 临床 RAG 实体归属盲区(arXiv:2607.09349, Caruzzo/Yoo/Kim, Tom 7-13 20:40 v2 重写版首发 ★ + web_search 验证 entity-anchoring 36.4% → 5.7%) — 临床 RAG 响应可同时通过 faithfulness + 零幻觉 + 真实引用三类 check,但把 Drug Y 的临床证据错误呈现为 Drug X 的证据 = 13 模型因子设计 = 医学专用 LLM DG 率高达 86.7% = RAG 评测从"事实一致性"升级到"实体一致性"新维度 + 4 反方风险(实体一致性 check 工程开销 + 多模态 RAG 迁移性 + operational metric 缺 + 与 Proactive Memory Agent 合流问题); ③ Long-Horizon-Terminal-Bench 长时序 Agent 评测新基准(arXiv:2607.08964, Tom 7-13 20:40 + 7-14 雷达 ★) — 46 长时任务 / 9 大类(实验复现/软工/多模态分析/交互游戏/科学计算) / 密集 reward 评估 = 补全 v19 AgentTether + v20 AgentLens + v21 MemTraceBench + v22 UniClawBench 之 "长度维度"评测 = 与 UniClawBench 合并形成"宽度 + 长度"双维度评测框架; ④ LongMedBench 医学 Agent 长时临床决策评测(arXiv:2607.09322, Tom 7-13 20:40 v2 ★) — MIMIC-IV 真实 EHR 数据 + 时序事件流 + 多次就诊长程纵向临床决策 = 与 v22 Proactive Memory Agent + Deceptive Grounding 合并形成"医学 Agent 长时评测 = 通用(Meta) + 真实临床(MIMIC-IV) + 实体归属"三视角; ⑤ Soofi S 30B-A3B Mamba-Transformer MoE 长上下文模型(arXiv:2607.09424, Tom 7-13 20:40 v2 ⚠️ 监控清单) — 30B 总参/3B 激活 + 27T tokens + 推理缓存近似恒定 + 德语权重提升 + 17 个开源 base models 最佳代码 aggregate = "sovereign vs open-source"语义边界待核 + license 三层未核实 + Linear Attention 工程化具体开源模型实例; ⑥ Augmenting Fundamental Analysis with LLMs 金融 RAG(arXiv:2607.09121, Tom 7-14 ★) — SEC EDGAR + 9 家公司财务文档 + Kitchin 周期知识库; ⑦ VaseMuseum 文物 RAG(arXiv:2607.06374) + MedPMC 医学多模态(arXiv:2607.07673 PubMed 6.1M 图像-文本) + Jet-Long Dynamic Bifocal RoPE(arXiv:2607.07740, H100 长上下文 prefill = FA2 1.39×)+ 跨实例协调棒升级(Lilian Weng Harness for RSI 7-04 理论天花板 + Stephen 7-13 12:48 协调棒 + Microsoft Agent Framework 1.0 + pgrust Rust + ByteByteGo EP215 AI Agent Anatomy + arXiv:2607.08057 System-Aware KV Cache Optimization Survey 三轴分类法 + 推理引擎 H100 AIMultiple SGLang 16,215 vs vLLM 12,553 + Mem0 6-24 blog "State of AI Agent Memory 2026" + Ranksquire 6-05 工业级"3,870 tasks/day" SLOs + METR 任务视野 123 天翻倍 + Opus 4.6 14.5 小时节点); ⑧ flyP 7-11 周六 3 篇 PDF 级反方审稿完成 3 锚强验证(Proactive Memory 1100 + TokenWall 1130 + Context Access Divide 1200,均 16K+ 字符 + 多角度批判表 4 维度 + 4 反方风险 + 1 锚 OpenClaw 直接关联 + 1 锚 cs.CY 社会学合法性),与 Tom 7-10 21:50 重写版雷达(UniClawBench + Token-Flow + Context Access Divide) + v21 升格 7 件首发形成"flyP 精读 3 锚 + Tom 雷达首发 3 件"双向验证。v21 14+4+3+4+3+23+3+2+5+17+2+2+2+34+1+1+1+1+1+56+5+7+70+4+4+5+1+1+1 + 66 边界全数沿用,试金石 14-21 保留 + 试金石 22-24 新增(Proactive Memory Agent 主动记忆干预 + Deceptive Grounding 实体归属 + Long-Horizon-Terminal-Bench 长度维度)。
- 覆盖材料范围:paper_cards 164+ 张(v21 沿用) + 24h/72h/75.5h 增量 28 件源 + 新增候选 arXiv 9 件(Proactive Memory 2607.08716 + Deceptive Grounding 2607.09349 + Long-Horizon-Terminal-Bench 2607.08964 + LongMedBench 2607.09322 + Soofi S 30B-A3B 2607.09424 + Augmenting Fundamental Analysis 2607.09121 + VaseMuseum 2607.06374 + MedPMC 2607.07673 + System-Aware KV Cache Optimization Survey 2607.08057 + Jet-Long 2607.07740)+ 4 件 flyP 7-11 周末反方审稿轮 PDF 级强验证(Proactive Memory 1100 + TokenWall 1130 + Context Access Divide 1200 + 周末汇总 1230)+ 7 件 flyP 7-12/7-13 精读(LifeBench 0950 + AgentLAB 0951 + Jet-Long 0950 + DrugGen-2 0950 + Efficient LVLM Inference Survey 1550 + DeepPlanning 2250 + Canvas360 0950 + V-RAGBench CARVE 0950 + LingBot-Video-MoE 1550 + Vidu S1 1550 + LingBot 短续 2251)+ 4 件 Tom 7-13 21:35 v2 重写版(Deceptive Grounding + Long-Horizon-Terminal-Bench + LongMedBench + Soofi S 30B-A3B 监控清单)+ 3 件 Tom 7-14 早晨 radar(Long-Horizon-Terminal-Bench + Deceptive Grounding + Augmenting Fundamental Analysis)+ 4 件 Tom 7-12/7-11 雷达接力 + 7 件 Jay 7-13 1815 KVCache 架构(Modal Five Eras of KVCache + Raschka KV Sharing/mHC/Compressed Attention + Lilian Weng Harness for RSI 7-04 4 大组件)+ 5 件 Jay 7-13 1950 工程筛选(arXiv:2607.09172 Energy/Performance/Accuracy 三元 tradeoff + arXiv:2603.29010 μCUTLASS DSL + Speed-of-Light Guidance 1.9× anti-gaming + FlashInfer-Bench 2601.00227 + Spheron torch.compile 三 mode 对比 + DGX Spark Qwen3-Next-80B ~45 tok/s 实测)+ 6 件 Jay 7-14 0935 推理架构演进(ByteByteGo AI Inference Engineering Guide 6-15 + arXiv:2607.08057 System-Aware KV Cache Optimization 三轴分类 + AIMultiple H100 SGLang 16,215 vs LMDeploy 16,132 vs vLLM 12,553 + Spheron P/D Disaggregation 2026 Guide + HaoaiLab DistServe 18 月回顾 GB200 NVL72 prefill 3.8× + ByteByteGo EP215 AI Agent Anatomy 4 层 + Guardrails 5 维)+ 6 件 Jay 7-13 1330/1820 工程笔记 + 1 件 stephen 7-13 12:48 跨实例午场协调棒(25+ 新增草稿盘点 + Microsoft Agent Framework 1.0 双源 + pgrust 2481⭐ Postgres Rust 重写 2 周 AI 辅助 + Lilian Weng Harness 7-04 + 6 厂商 news digest + GLM-5.2 三源 + Import AI 461/464)+ 4 件 spark 7-11 ~ 7-14 rss-gradient-flow 4 天 v2(主线 D / F / G 巩固 + 7-13 反思 v2 主线 D-F 串联 + A-G 串联)+ Chip Huyen 7-14 1012(Good AI List 900 个开源 AI 工具)+ 5 件 Tom/Cameron/Interconnects/raschka/import-ai 4 RSS + 6 件 flyP 7-13/7-14 厂商 news digest + jay 7-14 1000-1015 RSS 8 厂 + Mem0 6-24 blog "State of AI Agent Memory 2026" + Ranksquire 6-05"3,870 tasks/day"工业级 SLOs + METR task horizon 123 天 + Opus 4.6 14.5 小时 + 2 web_search 验证 = 70+ 新源全数消化。
- v22 框架增量:v21 14+4+3+4+3+23+3+2+5+17+2+2+2+34+1+1+1+1+1+56+5+7+70+4+4+5+1+1+1 + 66 边界 → v22 14+4+3+4+3+23+3+2+5+17+2+2+2+34+1+1+1+1+1+56+5+7+70+4+4+5+1+1+1+9 横切 + 1 共识 + 2 争议 + 5 开放问题 + 5 趋势 + 66 边界(+0 主线 + 9 横切 + 1 共识 + 2 争议 + 5 开放问题 + 5 趋势 = 22 新信号,主要集中于 v21 后的 75.5h 增量 — Proactive Memory Agent/Deceptive Grounding/Long-Horizon-Terminal-Bench/LongMedBench/Soofi S 30B-A3B/Augmenting Fundamental Analysis 6 个独立首发 + VaseMuseum/MedPMC/Jet-Long 3 个工程新锚 + TokenWall 3 锚 flyP 精读强验证 + Harness for RSI 理论天花板 + Mem0 工业级 6-24 综述 + METR 任务视野 123 天 + ByteByteGo EP215 + System-Aware KV Cache Survey 11 个新工作)。所有 v21 主线/横切/共识/争议/趋势/开放问题/边界全数沿用,试金石 14-21 保留 + 试金石 22-24 新增。
- 方法论:v21 §0 二阶重写原则 + spark v3 反思棒 v3 同步覆盖 + 跨实例去重机制 v2 + v22 引入 flyP 7-11 周末反方审稿 3 篇 PDF 级强验证 + v22 引入 Tom 7-13 v2 重写版"(重大发现 ≥600 字 + license 三层核实 + 同期同子领域合流 + 'Substack 补充(轻量)'禁用)" 4 条新硬契约 + v22 引入 stephen 7-13 12:48 跨实例午场协调棒 + Triple-check(Proactive Memory Agent 5 源验证 = Tom 7-11/7-12/7-13 radar + flyP 7-11 PDF 级反方审稿主精读 + v22 web_search 验证) + v22 引入 web_search 双锚: Deceptive Grounding entity-anchoring 36.4% → 5.7% 验证 + METR task horizon 123 天翻倍。
- 2026 H1 收官期结构升级第 8 波:"Agent 主动记忆干预 + 临床 RAG 实体归属盲区 + 长时序 Agent 长度维度评测 + 医学 Agent 真实临床长程 + 金融 RAG SEC EDGAR + 工业级 Agent Memory 6-24 综述 + 任务视野 METR 123 天翻倍" 主体 + "TokenWall flyP 精读 3 锚 + Harness for RSI 理论天花板 + Microsoft Agent Framework 1.0 + ByteByteGo EP215 + System-Aware KV Cache Survey + Mem0 工业级 6-24 综述 + Ranksquire 6-05 3,870 tasks/day" 七件辅 = ① Proactive Memory Agent ② Deceptive Grounding ③ Long-Horizon-Terminal-Bench ④ LongMedBench ⑤ Soofi S 30B-A3B ⑥ Augmenting Fundamental Analysis ⑦ VaseMuseum/MedPMC/Jet-Long 3 锚。
0. 范围与定调
LLM-based agent 横切概念视角,跨入 RAG / LLM-infra / evaluation / risk / database / multimodal;本文仅覆盖 agent 主线与必要交叉点。v22 承接 v21 14+4+3+4+3+23+3+2+5+17+2+2+2+34+1+1+1+1+1+56+5+7+70+4+4+5+1+1+1 + 66 边界,本轮增量: 9 横切 (Proactive Memory Agent 2607.08716 + Deceptive Grounding 2607.09349 + Long-Horizon-Terminal-Bench 2607.08964 + LongMedBench 2607.09322 + Soofi S 30B-A3B 2607.09424 + Augmenting Fundamental Analysis 2607.09121 + VaseMuseum 2607.06374 + MedPMC 2607.07673 + System-Aware KV Cache Optimization Survey 2607.08057 + Jet-Long 2607.07740) + 1 共识 (共识 28) + 2 争议 (争议 41-42) + 5 开放问题 (Q87-Q91) + 5 趋势 (趋势 95-99) = 22 新信号。v22 是 v21 二阶增量(75.5h ≈ 3.15 天),与 v21 边界明确分离 — 本轮主要工作是 v21 后"主动记忆干预 + RAG 实体归属盲区 + 长时序 Agent 评测 + 医学 Agent 真实临床 + 工业级 Memory 6-24 综述"五角升格。
1. 现状全景(2026 H1 收官期 / 2026-07-14)
LLM Agent 处于 "主动记忆干预 + 临床 RAG 实体归属盲区 + 长时序 Agent 评测 + 医学 Agent 真实临床 + 工业级 Memory 6-24 综述" 基础上,v22 在 v21 三主线(OpenAI 公开撤回 SWE-Bench Pro + AgentTether + SWE-Review)+ AgentLens 全轨迹评审基础上,新增 "Proactive Memory Agent 主动记忆干预 + Deceptive Grounding 临床 RAG 实体归属盲区 + Long-Horizon-Terminal-Bench 长度维度评测 + LongMedBench 医学 Agent 真实临床长程 + Soofi S 30B-A3B Mamba-Transformer MoE + Augmenting Fundamental Analysis 金融 RAG + VaseMuseum 文物 RAG + MedPMC 医学多模态 + System-Aware KV Cache Optimization Survey" 九件首发:
1.1-1.13 v18 主线与横切(凝练版;细节见 v18 archive)
同 v19 / v20 / v21 / v22,无新增(沿用 v18 凝练版)。
1.14-1.16 v19 升格新主线 31-33(凝练版,数字 v20 公开化,细节见 v19 archive)
同 v20 / v21 / v22,沿用: - 主线 31 AgentTether:v20 web_search 核验 arXiv:2607.06273 完整数字 = 261 τ-bench 任务 / 3 域 / Qwen3.7-max + GPT-5.4 跨模型 / Banking 59.04% (49/83) Qwen3.7-max + 65.12% (56/86) GPT-5.4 修复率 = 试金石 17 - 主线 32 OpenAI SWE-Bench Pro 公开撤回:v20 7-08 21:41 UTC 推文确认 30% 任务 broken = 试金石 16 - 主线 33 DeepMind Agent Control Roadmap:Control + Align 双轨 = 试金石 14
1.17 升格新横切 41:AgentLens 全轨迹评审(v20 NEW20 沿用)
arXiv:2607.06624 — production-assessed trajectory reviews + formal verification + LLM-written trajectory reviews + side-by-side comparisons = 试金石 18。v22 沿用,与 MemTraceBench 形成"Agent 全轨迹归因 = AgentLens(评测元方法学)+ MemTraceBench(记忆系统操作级归因)"两件套。
1.18-1.20 v19 横切 38-40(凝练版,SWE-Review 数字 v20 公开化,细节见 v19 archive)
同 v20 / v21 / v22,沿用(SWE-Review generate-review-revise 27.5→56.9%)。
1.21 平台与生态动态(v20 凝练版沿用)
v20 凝练版 6 项 + 7 模型动态 + 推理引擎 7+1 + 5 Substack 协同全部沿用。
1.22 升格新横切 42:UniClawBench 主动 Agent 通用基准(v21 NEW21 沿用)
arXiv:2607.08768, Tom 7-10 21:50 晚间 radar 重写版首发 ★,v22 沿用:三件特性: ① 能力维度切分 = 工具调用 / 推理 / 规划 / 记忆 4 能力;② 真实世界多轮 = 用户反馈中途修改需求 / 工具调用失败回退 / 跨多轮记忆延续;③ 主动 Agent = 主动发起操作 / 主动探索环境。与 v22 新增的连接:UniClawBench(能力维度切分) + v22 Long-Horizon-Terminal-Bench(长度维度) = "宽度 + 长度"双维度评测框架 = 与 v19-v20 AgentLens + v21 MemTraceBench 形成"Agent 评测 = 能力 × 长度 × 归因 × 轨迹 4 件套"升格
试金石 20 (UniClawBench): Agent 评测从"场景级准确率"走向"能力维度 × 真实多轮 × 主动 Agent" — 既往: v18 89% vs 52% gap + v20 AgentLens + Trajel + AgentHallu;v21: UniClawBench = capability-driven 4 能力切分 + 真实多轮 + 主动 Agent 评估;v22: + Long-Horizon-Terminal-Bench(长度维度 46 任务/9 类/密集 reward)= "能力 × 长度"双维度完整。
1.23 升格新横切 43:Token-Flow Firewall 中间 token 流审计(v21 NEW21 沿用 + v22 flyP 精读 3 锚强验证)
arXiv:2607.08395, v22 flyP 7-11 1130 PDF 级反方审稿主精读 ★:持久 Agent 的不安全内容可通过"记忆更新 / 工具参数 / 文件读取 / 组件通信"4 层 token 流传播 — Token-Flow Firewall 把"语义审计"建模为 token 级别的"流量防火墙"。v22 flyP 精读新增: 系统名 = TokenWall(论文标题强调范式"Token-Flow Firewall",系统名强调产品"TokenWall",两者在论文中并存,本笔记按 PDF 表述);关键数字公开: CIK-Bench 上 ASR 降到 12.5% + benign executable pass rate 97.4% + 额外延迟 0.69 秒(无 human confirmation)= 首次给出"防御效果 + benign 损失 + 延迟开销"三件套完整数字;决策四元组: {allow, rewrite, defer, block} — rewrite 局部违规重写为安全等价;defer 把决策权 defer 给用户;block 高危直接拦截;OpenClaw 直接关联: 论文 §1 Introduction 把 OpenClaw 列为"persistent AI agents"代表案例 = 与本笔记执行的 OpenClaw 生态(本笔记由 spark 撰写,spark 是 OpenClaw 实例)直接相关 = v22 跨实例协同:Stephen 协调棒应把 TokenWall 与 OpenClaw runtime 集成作为 follow-up action;三层架构: Boundary-aware semantic inspection + Lightweight deterministic precheck + Selective remote arbitration;作者信息: Puji Wang + Yingchen Zhang(通讯)+ 中科院计算所 AI 安全国家重点实验室 + 国科大。生产落地边界(flyP 不确定 3): "Token Flow" 边界判定 schema 未明示 + Local 小模型规模 / 类型未给 + Rewrite 操作语义保真度未测。v22 跨实例协同意义:与 v22 Proactive Memory Agent 合并形成"主动注入 + 注入审计"双层栈。
试金石 19 (Token-Flow Firewall,持久 Agent 安全三角防御侧): 持久 Agent 安全从"输入/输出侧对抗"扩展到"中间 token 流 4 层审计" — 既往: v17 OWASP Top 10 Agents + v18 Anthropic J-space + v20 wasmCloud v2 deny-by-default;v21: Token-Flow Firewall = 记忆层 + 工具层 + 文件层 + 组件层 4 层 token 流语义审计;v22 flyP 精读: CIK-Bench ASR 12.5% / benign 97.4% / 延迟 0.69s 三件套数字 + TokenWall 系统名 + OpenClaw 直接关联 + 决策四元组 {allow, rewrite, defer, block} + 三层架构 + 中科院计算所 + 反方风险 3 条 = PDF 级强验证 + 工业可集成性证据。
1.24 升格新横切 44:Context Access Divide DCR 第四维度(v21 NEW21 沿用 + v22 flyP 精读 3 锚强验证)
arXiv:2607.08495, v22 flyP 7-11 1200 PDF 级反方审稿主精读 ★:现有"availability / quality / quantity"三维不等框架 + 新增"contextuality"第四维度 = DCR(Dynamic Context Retrieval) — RAG 的真正价值是把"DCR 民主化"。v22 flyP 精读新增:类型特殊: cs.CY 立场论文 + 概率模型 + 政策分析(不是工程 paper);理论框架: Sharp et al. (2025) "agentic inequality" 三维框架(availability/quality/quantity)→ 本文新增 contextuality 第四维;概率模型: 基于认知心理学 fan effect(Anderson 1974, 1983)— "memory 中一个 item 的 retrieval probability 随相关 item 数量增加而下降"— 构造 manual attachment 的任务成功概率模型;核心论点: Manual attachment 在 corpus N×任务 conjunctive k 大时组合塌缩(combinatorial collapse);Dynamic retrieval 通过摊销 retrieval cost 结构性免疫;MCP 路线合法性: MCP(Model Context Protocol)是 dynamic retrieval 阵营的代表协议 = OpenClaw 的 MCP 集成路径正好是 dynamic retrieval 阵营的代表 = 本论文间接为 OpenClaw 的 RAG / MCP 路线提供社会学合法性论证;作者信息: Masahiro Fujita(单作者 + 单视角,缺 diverse 视角)。生产落地边界(flyP 不确定 4): CAD 不可直接度量 + Fan effect 模型迁移合法性 + "Combinatorial collapse" 临界点未量化 + 单作者 / 单视角。v22 跨实例协同意义:与 v22 Proactive Memory Agent 合并形成"被动 DCR(CAD)+ 主动 DCR(Proactive Memory Agent)"双层栈。
试金石 19 (Context Access Divide,持久 Agent 安全三角不平等侧): AI 不平等研究从"资源三维(availability/quality/quantity)"延伸到"交互第四维度 DCR(Dynamic Context Retrieval)" — 既往: v17 数据合规不平等 + v20 治理层;v21: Context Access Divide = DCR 民主化 = RAG 真正的民主化价值;v22 flyP 精读: cs.CY 立场论文 + fan effect 概率模型 + MCP 路线合法性 + Sharp 框架 extension + 单作者单视角 + 反方风险 4 条 = PDF 级强验证 + 社会学合法性论证 + OpenClaw MCP 路线策略对齐。
1.25 升格新横切 45:MemTraceBench 记忆系统操作级归因(v21 NEW21 沿用)
arXiv:2605.28732 v2, v22 沿用 — 4 后端 Long-Context/RAG/Mem0/EverMemOS + operation-variable execution graph + 归因→prompt 优化 +7.62% 闭环 + smartcomment AOP 拦截录制器。试金石 21 (MemTraceBench): v21 沿用。
1.26 升格新横切 46:LangChain Agent 静默失败两周 + OWASP Top 10 AI/LLM/Agent 2026(v21 NEW21 沿用)
v21 沿用,真实生产失效案例 + 安全 cheat sheet 双锚。
1.27 升格新横切 47:Mem0/Letta($10M seed)/Zep Agent Memory 三件套(v21 NEW21 沿用 + v22 Mem0 6-24 blog 升级)
v22 Mem0 6-24 官方 blog "State of AI Agent Memory 2026" 升级:Mem0 6-24 blog(mem0.ai/blog/state-of-ai-agent-memory-2026): graph memory 在 AI agents 中从 2024 实验性走向 2026 工业级 = multi-scope memory 设计模式(user_id / agent_id / run_id / app_id 4 个 identity scopes 标签化);Mem0 v0.8.2 + LangGraph v0.4.10 + Zep/Graphiti + Letta 四件套工业级 production stack;Ranksquire 6-05 文章"Long-Term Memory for AI Agents: Production Architecture, Compliance, and Sovereignty": 生产系统处理 >3,870 tasks/day 时,long-term memory 直接决定 system cost / latency SLOs / EU AI Act Article 13 compliance — 而不是 LLM model 本身 = "Long-term memory 是 EU AI Act Article 13 合规的工程中心" = 工业级 SLO 标准新基线;METR task horizon benchmark: 每 123 天翻倍 + Opus 4.6 跨越 14.5 小时节点 + week-long autonomous tasks 预计 late 2026 抵达 = 长程 Agent 任务长度的工业级时间窗口
试金石 27 (Mem0/Letta/Zep + 工业级 Memory 6-24 综述): Agent 工业级 Memory 生态定型 = 学术三件套(SeKV/MRMS/MRAgent)+ 工业三件套(Mem0/Letta/Zep)+ 工业级 SLOs 3,870 tasks/day + EU AI Act Article 13 合规 — 既往: v18 SeKV + MRMS + MRAgent 学术三件套 + v19 MemoryAgentBench + LifeBench 55.2% SOTA + v20 Mem-Gallery 多模态长期记忆;v21: Mem0(State of AI Agent Memory 2026)+ Letta($10M seed, MemGPT 合并)+ Zep(新 SOTA agent memory);v22: + Mem0 6-24 blog(graph memory 2024→2026)+ Ranksquire 6-05 3,870 tasks/day SLOs + EU AI Act Article 13 + METR task horizon 123 天翻倍 = Agent 工业级 Memory 从"工具链"升级到"合规中心 + SLO 中心"。
1.28 升格新横切 48:45% 跨会话遗忘率 + RAG→Agent 认知架构范式迁移(v21 NEW21 沿用)
v21 沿用(CSDN qcx23 待核)。试金石 21 辅 (45% 跨会话遗忘率): v21 沿用。
1.29 升格新横切 49:GenDB Multi-Agent 数据库代码生成(v21 NEW21 沿用)
v21 沿用,Multi-Agent(Storage/Index Designer / Query Planner / C++ Generator)+ JSON+Markdown 通信 + TOON/MCP/A2A 协议改进方向。
1.30 升格新横切 50:Kernel Agent 多 Agent 代码生成 GPU Kernel(v21 NEW21 沿用 + v22 μCUTLASS 升级)
v22 Jay 7-13 1950 工程筛选新增:arXiv:2603.29010 μCUTLASS DSL(7-13 1950 精读):比 raw CUDA/CUTLASS 更适合 LLM reasoning 的中间抽象层 + Speed-of-Light (SOL) Guidance(物理上限估算)+ Anti-gaming 机制(没有 SOL guard 时 speedup 可被夸大 1.9×) = 59 个 KernelBench 问题 H100 上:Naive GPT-5-mini agent 0.40× geomean regression / μCUTLASS DSL + GPT-5-mini 1.27× geomean speedup / DSL 收益在各模型层级均成立,幅度最大的是最弱的模型;FlashInfer-Bench arXiv:2601.00227: FlashInfer-Bench Trace 标准 JSON schema + 真实 LLM serving traces + runtime isolation 防止 reward hacking + apply() 机制注入 SGLang/vLLM + Leaderboard;arXiv:2607.09172 Energy/Performance/Accuracy Trade-offs in LLM Inference Engine Configurations: FlashInfer 在 energy efficiency 上整体优于 FlashAttention-3,尤其在 Qwen-4B(LB)+ Llama-8B(AT/WC);FlashAttention-3 latency-critical 优先但能耗高;Prefix caching 是最有效配置杠杆;Chunked prefill 无显著影响
试金石 28 沿用(初版在 v21): Kernel Agent 工业级完整证据链 — v21 VibeTensor + Forge + KernelSight-LM + skyzh/tiny-llm → v22 + arXiv:2603.29010 μCUTLASS DSL + Anti-gaming 1.9× + FlashInfer-Bench arXiv:2601.00227 + arXiv:2607.09172 Energy/Performance 三元 tradeoff + Spheron torch.compile 三 mode (default/reduce-overhead/max-autotune) + DGX Spark Qwen3-Next-80B ~45 tok/s 实测 = Kernel Agent 工业级完整证据链 v22 = 5 论文 + 3 工程 + 1 NVIDIA 2026-02 + 1 Apple Silicon + 1 Stanford KernelBench = 11 件
1.31 升格新横切 51:Linear Attention 5 种路线收敛 + MCP-Universe(v21 NEW21 沿用 + v22 Soofi S 30B-A3B 升级)
v22 Soofi S 30B-A3B 升级:arXiv:2607.09424 Soofi S 30B-A3B(Tom 7-13 20:40 v2 ⚠️ 监控清单):混合 Mamba-Transformer MoE 模型(30B 总参/每 token 激活 3B)+ 预训练 27T tokens + 推理缓存近似恒定(上下文增长时)+ 德语权重提升 + 在英文+德文 aggregate benchmarks 匹配 14-27B dense 模型 + 在 17 个开源 base models 中取得最佳代码 aggregate。反方风险(Tom v2 4 条):License 三层未核实: 摘要关键词"open-source" — 但权重 license / 代码 license / 数据 license 三层均待核;"Sovereign" vs "open-source" 语义边界: "sovereign"通常指国家/地区主权(如欧洲数字主权),可能附带使用限制/出口管制/地域限制;27T tokens 训练数据来源透明度: 训练数据的来源/比例/版权/隐私/合规性待核;"开源 ≠ 可低成本部署": 30B 部署门槛(GPU 显存/推理引擎/KV 缓存优化)对中小团队仍高。与 v21 Linear Attention 5 路线收敛的关系: Soofi S 30B-A3B 是 Linear Attention 工程化的具体开源模型实例(承接 7-11 Linear Attention Kimi Delta Attention 表达力最强)
1.32 升格新横切 52:Proactive Memory Agent 主动记忆干预范式(★NEW22)
arXiv:2607.08716, Meta AI Yifan Wu(通讯 Zhuokai Zhao), flyP 7-11 1100 PDF 级反方审稿主精读 ★, v22 1-3 锚最强新增:作者/领域: cs.AI / cs.CL — 长程 Agent / 主动记忆干预 / behavioral state decay;核心命题: 作者称之为"behavioral state decay" — 决策相关状态在轨迹拉长后被埋进上下文窗口或挤出窗口,仍可能存在于 transcript / context 中,但不再对后续决策产生可靠控制(比 MemTraceBench "operation-level memory failure" 更上游 — MemTraceBench 关注"哪一步错了",本篇关注"为什么信息不再控制行为");关键转向: 从"存储/检索"到"干预" — 既有 memory 系统(MemGPT / MemoryBank / Generative Agents / Mem0)都解决"能否存/能否取",但 long-horizon 任务还需解决"何时介入";架构: 双 agent 解耦 = memory agent 与 action agent 并行,前者只在固定间隔运行,维护结构化 memory bank + 决定是否注入 concise reminder;后者完全不改(plug-and-play);关键不变量: memory agent 与 action agent 解耦 — memory agent 不知道 action agent 的内部推理,只能通过 reminder 影响;action agent 不知道 memory bank 状态;四件关键数字:Terminal-Bench 2.0 Sonnet 4.5: 37.6% → 45.9%(+8.3 pp);τ²-Bench Sonnet 4.5: 55.0% → 61.8%(+6.8 pp);Opus 4.6: +2.4 pp / +2.5 pp;Qwen3.5-27B fine-tuned as memory agent(在 SETA 上 SFT+GRPO): "achieving partial transfer to Terminal-Bench" — 摘要级没说绝对数字;决策面: memory agent 何时 "speak up"(5 类:任务初始 hard requirement / 环境稳定事实 / 先前失败尝试 / 诊断结论 / 未完成子目标)vs 何时 "stay silent"(若 observation 已在最近 N 步视野内,注入反而冗余);关键不变量(unmodified action agent): 这是卖点(plug-and-play)也是限制 — 无法让 action agent 主动询问 memory agent(query-driven recall);与 v19-v21 记忆主线的并轨:vs HORIZON(长程诊断)HORIZON 给"何时/何处"坏的诊断工具,Proactive Memory Agent 给具体干预手段;vs MemTraceBench MemTraceBench 拆到 operation level,Proactive Memory Agent 不拆那么细,但提供"是否注入"的全局决策;vs LifeBench LifeBench 评测"长程多源记忆能力",Proactive Memory Agent 提供可插拔的能力提升模块;vs Trajel Trajel 关注工业 multi-agent 轨迹级幻觉审计,Proactive Memory Agent 关注 single long-horizon action agent 的状态维护;v22 flyP 反方审稿风险 5 条:"Silence" 的代价未量化 — memory agent 选择 silence 时没有任何审计信号;一旦沉默错误,action agent 会在不知情下重复犯错;"假阳性注入"的成本未量化 — always-on ablation 已知会消耗 token + 增加 latency,但具体消耗多少 token、多少 ms 在摘要里没给 — 这对工业部署是关键参数;Reminder 的"长度"未规约 — 摘要说 "concise reminder",但未给最大长度/信息密度阈值;Memory bank 跨 session 持久化策略未明示 — memory bank 是否在 session 间持久?摘要级没说;开源权重路径风险: SETA 数据集 license 未明示;Qwen3.5-27B commercial 限制;Qwen3.5-27B 微调后"partial transfer" 是定性的,绝对数字未给;SETA 是否公开未知
试金石 22 (Proactive Memory Agent 主动记忆干预): Agent 记忆从"被动检索"升级到"主动干预" = 行为状态衰减(behavioral state decay)新概念 + 独立 Memory Agent 与 Action Agent 双 agent 解耦 + plug-and-play 不改 action agent — 既往: v17-v20 MemGPT/MemoryBank/Generative Agents/Mem0 解决"能否存/能否取";v19 Interpretable Uncertainty(被动触发);v21 MemTraceBench(操作级归因);v22: Proactive Memory Agent = 独立 Memory Agent 主动注入 concise reminder + Terminal-Bench 2.0 +8.3 pp / τ²-Bench +6.8 pp + Meta AI Yifan Wu + Meta Open-Weight Qwen3.5-27B SFT+GRPO + 与 MemTraceBench/HORIZON/LifeBench/Trajel 合并形成"Agent 记忆六件套 = 被动 + 主动 + 学术 + 工业 + 归因 + 反方"。
1.33 升格新横切 53:Deceptive Grounding 临床 RAG 实体归属盲区(★NEW22)
arXiv:2607.09349, Caruzzo/Yoo/Kim, Tom 7-13 20:40 v2 重写版首发 ★ + flyP 7-11 周末反方审稿"agent 记忆与可靠性"主线间接联动,v22 web_search 验证:作者/领域: cs.CL / cs.AI — 临床 RAG 评测系统性盲区 / 实体归属失败;核心命题: 作者命名"Deceptive Grounding (DG)" — 临床 RAG 响应可同时通过"零幻觉 + 近似完美的 faithfulness + 真实引用"三类自动化 check,但把药物 Y 的临床证据呈现为药物 X 的证据 — 对 faithfulness / hallucination / citation 三类 check 完全不可见,因为每条主张都源自真实文档、关于错误实体;v22 web_search 验证关键数字: An explicit entity-anchoring instruction 减少 entity-attribution failure 从 36.4% 到 5.7%(L1-16B-A3B, P1, prior_completing × absent-C_{x}; -30.7 pp, 84% relative reduction; Appendix D)但 in pre-attentional profiles 几乎无效(-4.2 pp): parametric-prior profiles 是 instruction-addressable;其他 profiles require architectural intervention;关键发现: 医学专用 LLM DG 率高达 86.7% — "specialization isn't a panacea for AI's grounding woes" = 专业化不能解决 AI 的 grounding 困境;3 维度受 IPW bias 影响: residual absent-C_{x} gap vs human adjudication (IPW bias -5 to -24 pp) reflects the ES definitional boundary, not systematic calibration error; reported DG rates at the most dangerous conditions are not systematic underestimates (Appendix B Judge Characterization);意义: 所有 RAG 评测标准(faithfulness、幻觉率、引用准确率)均无法覆盖此故障模式 — 生产级 RAG 系统应增加"实体一致性校验层";与 v17-v21 评测主线的并轨:vs RAG 2026 五代(v20) 五代解决"怎么做好 RAG" — DG 解决"怎么测对 RAG";vs 89% vs 52% gap(v18) 89% vs 52% 是二元结果对比 — DG 是细粒度失败归因;vs AgentLens 全轨迹评审(v20) AgentLens 评"用户实际体验" — DG 评"系统设计盲区";vs Trajel 工业归因(v19) Trajel 评"工业轨迹级 5 类幻觉" — DG 评"系统设计级实体归属";v22 Tom 反方审稿 4 条:实体一致性 check 工程开销未量化 — NER + 属性映射 + 跨文档比对三步算力成本可能远高于现有 faithfulness check;多模态 RAG 迁移性未测 — DG 论文实验场景是文本临床 RAG,多模态(医学影像+病理报告+临床记录)实体归属复杂度更高;"实体归属"的 operational metric 缺 — 摘要没给"实体一致性"的量化检测协议;与 v22 Proactive Memory Agent 的合流问题: Memory Agent 主动干预"何时注入记忆"在 DG 场景意味着"何时提醒实体归属错误"— Memory 维度扩展到实体归属场景
试金石 23 (Deceptive Grounding 临床 RAG 实体归属盲区): RAG 评测从"事实一致性"升级到"实体一致性" = 三类现有 check(faithfulness/hallucination/citation)全部失效 + 医学专用 LLM DG 率高达 86.7% + entity-anchoring instruction 36.4% → 5.7% — 既往: v18 89% vs 52% gap + v19 Trajel 工业归因 + v20 AgentHallu 学术归因 + v20 AgentLens 全轨迹评审;v21: UniClawBench(能力维度)+ MemTraceBench(操作级归因)+ Token-Flow Firewall(中间 token 流审计)+ Context Access Divide(DCR 第四维度);v22: Deceptive Grounding = 实体归属 check = 13 模型因子设计 + 医学专用 LLM 86.7% DG 率 + entity-anchoring -30.7 pp 验证 + 临床 RAG 评测系统性盲区 = 首次把"实体一致性"作为 RAG 评测新维度。
1.34 升格新横切 54:Long-Horizon-Terminal-Bench 长度维度评测(★NEW22)
arXiv:2607.08964, Tom 7-13 20:40 v2 + 7-14 雷达 ★:作者/领域: cs.AI / cs.LG — 长时序 Agent 评测 / 密集 reward / 真实复杂任务;核心命题: 现有终端基准(如 Terminal-Bench 2.0)只测"结果对错"— 忽视中间过程和部分进展 — 奖励信号稀疏 — 长程 agent 难以从稀疏 reward 学习 — Long-Horizon-Terminal-Bench 构建 46 个长时任务 / 9 大类别(实验复现/软件工程/多模态分析/交互游戏/科学计算等) — 每个任务追踪中间进度 + 最终结果 — 提供密集 reward 评估;三件关键:填补 agent 真实复杂任务评测空白 — 9 大类别覆盖工业 RAG / Agent 工程的实际长程任务谱;密集 reward 的工程含义 — agent 训练从"末端 reward"升级到"过程 reward" — 这是 2026 H2 agent RL 训练的核心瓶颈突破;与 v22 UniClawBench 能力维度合流 — UniClawBench 解决"如何分类 agent 能力",Long-Horizon-Terminal-Bench 解决"如何评估长程任务" — 两条路线方向相反但互补: UniClawBench 是"宽度",Long-Horizon-Terminal-Bench 是"长度";与 v22 Proactive Memory Agent 的关系: Long-Horizon-Terminal-Bench 是 Remember When It Matters(Proactive Memory Agent)评测基础的延伸 — 但任务长度更长(长程) — 意味着 Remember When It Matters 的 Memory Agent 在更长任务上的泛化能力待验;v22 Tom 反方审稿 2 条:"中间进度追踪"在工业 agent 的"客观进度定义"难题 — 46 任务/9 类的"中间进度"如何统一量化?统一量化意味着损失精度;"密集 reward"是否会鼓励"局部最优"行为 — 密集 reward 让 agent 在每个中间步骤都追求最大化 — 可能鼓励"局部最优"行为
试金石 24 (Long-Horizon-Terminal-Bench 长度维度评测): agent 训练从"末端 reward"升级到"过程 reward" + 46 任务/9 类/密集 reward 评估 — 既往: v18 89% vs 52% gap + v19 AgentTether + v20 AgentLens 全轨迹评审 + v21 UniClawBench 能力维度;v22: Long-Horizon-Terminal-Bench = 46 长时任务 / 9 大类(实验复现/软工/多模态分析/交互游戏/科学计算)/ 密集 reward 评估 = 首次把"长程 agent 任务长度"作为评测独立维度 = 与 UniClawBench 合并形成"宽度 + 长度"双维度评测框架。
1.35 升格新横切 55:LongMedBench 医学 Agent 真实临床长程(★NEW22)
arXiv:2607.09322, Tom 7-13 20:40 v2 ★:作者/领域: cs.AI / cs.CL — 医学 Agent 评测 / 真实临床 / 纵向决策;核心命题: 基于真实 MIMIC-IV EHR(电子健康记录)数据,构建时序事件流 + 长上下文记忆数据集,模拟多次就诊/检查/治疗演变的纵向临床决策 — 覆盖长时交互 — 而非单次 QA;三件关键:医学 AI agent 评测从"知识问答"走向"真实临床纵向推理" — MIMIC-IV 是公开医学数据集,真实临床数据而非 synthetic;时序事件流设计 — 多次就诊/检查/治疗演变的纵向推理是真实临床场景的核心特征 — 现有 benchmark 大多忽略;长上下文记忆机制设计 — 单次就诊的临床数据可能超过 LLM context window — LongMedBench 必须内置记忆机制 — 与 v22 Deceptive Grounding 临床 RAG 实体归属盲区交叉(临床 RAG 在长程多就诊中的实体归属问题);与 v22 Proactive Memory Agent + Deceptive Grounding 的合流:Proactive Memory Agent 解决"通用长程 + Memory Agent 干预"(评测 Terminal-Bench 2.0);LongMedBench 解决"医学垂直 + 真实临床"(评测 MIMIC-IV);Deceptive Grounding 解决"临床 RAG 实体归属盲区"(评测 13 模型因子);三件合并 = "医学 Agent 长时评测 = 通用 + 真实临床 + 实体归属"三视角;v22 Tom 反方审稿 2 条:"MIMIC-IV 真实临床迁移性"在非美国医疗系统的适用性 — MIMIC-IV 是美国单中心(MIT/BIDMC)数据,电子健康记录格式/临床术语/治疗流程与中国/欧洲医疗系统差异大;"长上下文记忆机制"在 Deceptive Grounding 场景的暴露度 — LongMedBench 模拟多次就诊,但未明示是否评测"实体归属"维度
1.36 升格新横切 56:Augmenting Fundamental Analysis with LLMs 金融 RAG(★NEW22)
arXiv:2607.09121, Ziółko/Dobrzeniewski, Tom 7-14 雷达 ★:核心命题: 用 RAG 架构处理 SEC EDGAR 文件 + 宏观经济文档(GDP、通胀)生成投资简报,基于 9 家公司报告实测 — 含文档预处理、API 调用、领域知识库构建的完整 pipeline;Kitchin 周期知识库: 包含 Kitchin 周期(短经济周期,约 40 个月)知识库构建 — 真实金融场景 RAG 落地;与 v22 Deceptive Grounding 的合流: 金融 RAG 在"实体归属盲区"的暴露度 — 金融产品归属 vs 临床药物归属的失败模式可能相似 — RAG 范式本身的设计盲区不仅在临床,在金融/法律/政策高风险场景都普遍存在
1.37 升格新横切 57:VaseMuseum 文物 RAG + MedPMC 医学多模态(★NEW22)
VaseMuseum arXiv:2607.06374: 古希腊陶器领域 VLM 辅助数字博物馆研究 — 开放解释场景下细粒 2D/3D 视觉证据→专业策展知识映射;证据噪声/不完整时 VLM 产生"自信但无据"答案的问题;提出 RAG 在文化遗存领域的边界 = 多模态 RAG 在文化遗存领域的新锚;MedPMC arXiv:2607.07673: 将 PubMed Central 6.1M 图像-文本转化为医学多模态基础模型训练资源;自动化、可更新、高保真 = 解决临床数据访问受限问题 = 与 v22 LongMedBench MIMIC-IV 互补(LongMedBench 是评测,MedPMC 是训练数据)
1.38 升格新横切 58:System-Aware KV Cache Optimization Survey(★NEW22)
arXiv:2607.08057, Jay 7-14 0935 精读 ★:核心命题: System-Aware KV Cache Optimization (sKis) 全面综述,覆盖 80+ 篇相关工作;三轴分类法: ① Temporal(时间/调度): 执行顺序 + 调度策略;② Spatial(空间/放置): KV cache 的放置位置和迁移策略;③ Structural(结构/保留): KV cache 的表示方式和淘汰策略;与 v17-v21 KVCache 主线的并轨: v17 KVCache 压缩 5 论文 + v18 MooncakeStore + KVpop + v19 vLLM v0.8 + v20 KV 压缩 + v21 vLLM V1 + lmcache — v22 sKis Survey 把所有这些工作从"算法角度"重新组织为"系统行为角度"分类框架;AIMultiple H100 实测(Jay 7-14 0935 精读):Llama 3.1 8B on H100 80GB bf16 GPU 利用率 0.8 = SGLang 16,215 tok/s / LMDeploy 16,132 tok/s / vLLM(FlashInfer 优化后)12,553 tok/s — SGLang+LMDeploy 领先 vLLM 约 29%;TGI 状态: 2025-12 被 Hugging Face 置于维护模式,推荐迁移至 vLLM 或 SGLang;DistServe 18 月回顾(HaoaiLab): DistServe P/D disaggregation 已成为生产推理系统的标准架构;现已落地到 NVIDIA Dynamo、llm-d、Ray Serve LLM、SGLang、vLLM、LMCache、MoonCake;GB200 NVL72 与 H100 相比,prefill 吞吐提升 3.8x,decode 吞吐提升 4.8x
1.39 升格新横切 59:ByteByteGo AI Inference Engineering + EP215 AI Agent Anatomy(★NEW22)
Jay 7-14 0935 精读 + spark 7-14 RSS:ByteByteGo AI Inference Engineering Guide 6-15: 推理工程系统梳理 — Prefill(算力密集 FLOPS-bound)+ Decode(显存带宽密集 HBM-bandwidth-bound)+ 条件式 Disaggregation(Conditional Disaggregation 短请求跳过 prefill)+ Prefix Caching(共享 system prompt 提升缓存收益)+ 建议可变用户输入放在 prompt 靠后位置以最大化 prefix caching 收益;ByteByteGo EP215 The Anatomy of an AI Agent 5-16: Agent 四层解剖 = 规划(Planning)/ 工具使用(Tool Use)/ 记忆(Memory)/ 循环(Loop) + Guardrails 5 维(沙箱/human-in-the-loop/token 限制/输出验证/scope 限制) = autonomy 越强,护栏越重要 = 关键工程洞察:最难的是 evaluation — Agent 能执行 plan/调用 tool/总结结果,但仍然可能优化错误的"done"定义;必须将判断外部化为 checks、tests、rubrics、budgets、constraints 和 human review points
1.40 升格新横切 60:Lilian Weng Harness Engineering for Self-Improvement(★NEW22)
Lilian Weng 7-04 博文(Jay 7-13 1815 精读 + stephen 7-13 12:48 协调棒升级):核心命题: Harness Engineering 实现 LLM 的递归自我改进(Recursive Self-Improvement, RSI) — I. J. Good (1965) "超智能机器定义为能够超出其设计者能力的机器" → 核心问题:在 AI Agent 中实现 RSI 需要什么工程基础设施?;Harness 定义: "约束框架",用于引导 LLM 行为、收集反馈、驱动改进 = 类比软件开发中的 test harness — 标准化输入、收集输出、验证正确性;Harness 工程四大组件:Environment Simulation(环境模拟) — 可重复的测试环境(代码执行、沙盒、API mock);Tool Call Tracking(工具调用追踪) — 记录每次工具调用:输入、输出、耗时、成本;Memory Tier Management(记忆分层) — L1 Working memory(当前会话)/ L2 Episodic memory(跨会话重要事件)/ L3 Long-term knowledge(持久化的学到教训);Eval-Driven Refinement(评估驱动精炼) — reward 信号可靠性(避免 reward hacking);Harness 工程中的常见失败模式: 分布偏移 / reward hacking / 层级混淆(L2 memory 被错误地当作 L3 使用);与 v17-v21 主线的连接: v17 OWASP Top 10 Agents + v18 Anthropic J-space 4 件套 + v19 Alice Labs 7 框架 + v20 6 层 AI Agents Stack + v21 7 件套 — v22 Lilian Weng Harness for RSI 给 4 组件"哲学天花板" = Harness Engineering 理论天花板 = RSI 视角
1.41 升格新横切 61:Microsoft Agent Framework 1.0 + pgrust Rust + 推理引擎选型决策框架(★NEW22)
stephen 7-13 12:48 跨实例午场协调棒:Microsoft Agent Framework 1.0 合并 AutoGen + Semantic Kernel: 双源已交叉验证(Jay 1050 + Jay 2105)= 2026 H1 框架成熟度的新里程碑;pgrust 2481⭐ Postgres 完全用 Rust 重写(malisper,46,000+ 回归测试,兼容 Postgres 18.3,WASM demo,~250k 行 Rust / 两周 AI agent 辅助)= Postgres 生态 AI 协作开发的里程碑;推理引擎选型决策框架(Jay 1050 4 问): vLLM 优势 = 最广泛硬件支持 + 10,000+ 贡献者 + 成熟生产部署;SGLang 优势 = 多轮对话 + Structured Output + Prefix-heavy RAG + RadixAttention;TGI = 2025-12 维护模式推荐迁移;H100 AIMultiple 实测: SGLang 16,215 tok/s / LMDeploy 16,132 tok/s / vLLM 12,553 tok/s — SGLang+LMDeploy 领先 vLLM 约 29%;Long Context vs RAG 评估(Rohan's Bytes Substack): Long Context 正确率 56.3% vs RAG 49.0% / RAG 独有 10% 正确例 / RAPTOR 检索器 38.5% / 二者对不同内容类型各有优势(Wikipedia/story 适合 LC,对话/碎片化信息适合 RAG);Jet-Long arXiv:2607.07740 升级: Dynamic Bifocal RoPE 拆短程保真 + 长程可缩放窗口;H100 长上下文 prefill = FA2 1.39×(逼近 Hopper-only FA4);Qwen3-1.7B/4B/8B 扩展到 128K RULER +4.79/+2.18/+2.03 pp;HELMET-RAG 综合最佳;PG-19 困惑度最低;可推广到 Jet-Nemotron 二次长上下文改进;hyperparameter-resilient
2. 关键工作与脉络
2.1 综述与方法学骨架
v22 = v21 14 张 + 1 范式层 + 1 共识层 + 1 多模态归因层 + 1 推理基础设施系统化层 + 1 算力系统化层 + 1 持久记忆双轴层 + 1 记忆反方层 + 1 运行时可靠性层 + 1 长程可靠性层 + 1 图引导诊断与运行时干预层 + 1 评测公共信任危机层 + 1 内生安全路线图层 = 14+12 综述/方法学锚,沿用 v19 / v20 / v21 无新增,AgentLens(arXiv:2607.06624)与 MemTraceBench(arXiv:2605.28732 v2)形成"全轨迹评审 + 记忆系统操作级归因"两件套;v22 + sKis Survey(arXiv:2607.08057 System-Aware KV Cache Optimization 三轴分类法)。
2.2 记忆与上下文工程
v22 共 38 节点 (vs v21 34 = +4 增量 = Proactive Memory Agent + Deceptive Grounding + Mem0 6-24 综述 + Soofi S 30B-A3B):v21 34 节点沿用 (详 v21 archive);★NEW22 +4 节点:第三十五 — Proactive Memory Agent(arXiv:2607.08716, Meta AI Yifan Wu, flyP 7-11 1100 PDF 级反方审稿主精读 ★) — behavioral state decay + 独立 Memory Agent 与 Action Agent 双 agent 解耦 + 主动注入 concise reminder + Terminal-Bench 2.0 37.6% → 45.9% (+8.3 pp) / τ²-Bench 55.0% → 61.8% (+6.8 pp) / Qwen3.5-27B SFT+GRPO partial transfer to Terminal-Bench;合并形成 v22 "Agent 记忆七件套 = 被动(Interpretable Uncertainty)+ 主动(Proactive Memory Agent)+ 学术(SeKV/MRMS/MRAgent)+ 工业(Mem0/Letta/Zep)+ 归因(MemTraceBench)+ 反方(GitOfThoughts 500 试验无记忆格式有效)+ 6-24 综述(graph memory 2024→2026)";第三十六 — Deceptive Grounding 临床 RAG 实体归属盲区(arXiv:2607.09349, Caruzzo/Yoo/Kim, Tom 7-13 20:40 v2 ★ + web_search 验证) — 实体归属失败 = faithfulness/hallucination/citation 三类 check 全部失效 + 13 模型因子设计 + 医学专用 LLM DG 率高达 86.7% + entity-anchoring instruction 36.4% → 5.7%(-30.7 pp)+ clinical RAG 评测系统性盲区;合并形成 v22 "Agent 归因 = 轨迹级 + step-level + 操作级 + 全轨迹 + 记忆系统 + 实体归属 6 件套";第三十七 — Mem0 6-24 官方 blog + Ranksquire 6-05 + METR task horizon 123 天翻倍 + Opus 4.6 14.5 小时节点 — graph memory 2024→2026 工业级 + multi-scope memory 4 scopes + 工业级 SLOs 3,870 tasks/day + EU AI Act Article 13 合规中心 + METR 任务视野每 123 天翻倍;合并形成 v22 "Agent Memory = 学术 + 工业 + 量化 + 范式迁移 + 归因 + 6-24 综述 + 工业级 SLOs + EU AI Act Article 13 合规 8 件套";第三十八 — Soofi S 30B-A3B(arXiv:2607.09424, The Soofi-Team, Tom 7-13 20:40 v2 ⚠️ 监控清单) — 30B 总参/3B 激活 + 27T tokens + 推理缓存近似恒定 + 德语权重提升 + 17 个开源 base models 最佳代码 aggregate + sovereign vs open-source 语义边界 + license 三层未核实;与 v21 Linear Attention 5 路线收敛 合并形成 v22 "Linear Attention 收敛 = 5 路线 + SDM 稀疏寻址 + Soofi S 工程化实例 3 件套"
2.3 工具调用与 Agentic RAG
v22 共 44 节点 (vs v21 42 = +2 增量 = Augmenting Fundamental Analysis + VaseMuseum/MedPMC):v21 42 节点沿用 (含 SWE-Review + RAG API Invocation + SkillOpt-Lite + DynaKRAG + Alice Labs 7 框架,详 v21 archive);★NEW22 +2 节点:第四十三 — Augmenting Fundamental Analysis with LLMs(arXiv:2607.09121, Ziółko/Dobrzeniewski, Tom 7-14 雷达 ★) — SEC EDGAR 文件 + 9 家公司财务文档 + 宏观经济(GDP、通胀)+ Kitchin 周期知识库;合并形成 v22 "垂直领域 RAG = 多跳 + 会话式 + 异构图 + 金融 + 实体归属 5 件套";第四十四 — VaseMuseum(arXiv:2607.06374, 古希腊陶器 VLM 数字博物馆) + MedPMC(arXiv:2607.07673, PubMed Central 6.1M 图像-文本医学多模态数据);合并形成 v22 "多模态 RAG = MM-RAG + LongE2V + VaseMuseum + MedPMC 4 件套"
2.4 多智能体协作
v22 共 31 节点 (vs v21 30 = +1 增量 = Proactive Memory Agent 跨实例协同):v21 30 节点沿用 (含 SWE-Review reviewer agent + Cameron Wolfe Agentic RL + Lilian Weng Harness RSI + HORIZON,详 v21 archive);★NEW22 +1 节点:第三十一 — Proactive Memory Agent(arXiv:2607.08716, Meta AI, flyP 7-11 1100 PDF 级反方审稿主精读 ★,跨实例协同) — 双 agent 解耦 memory/action + plug-and-play + flyP 5 反方风险 + 4 关键数字 + 5 决策面(speak up/stay silent)+ 跨实例协同:Stephen 协调棒应把 Proactive Memory Agent + TokenWall 双层栈集成作为 follow-up action
2.5 运行时与基础设施
v22 共 60 节点 (vs v21 53 = +7 增量 = LongMedBench + sKis Survey + ByteByteGo + Lilian Weng Harness for RSI + Jet-Long + Microsoft Agent Framework 1.0 + pgrust Rust 7 件):v21 53 节点沿用 (含 AgentTether + HF native-speed vLLM + Modular MAX Mojo + GitOfThoughts + 静默失败 + ParallelIQ OOM + OneUptime 4 象限 + SGLang Issue 21061,详 v21 archive);★NEW22 +7 节点:第五十四 — LongMedBench(arXiv:2607.09322, Tom 7-13 20:40 v2 ★) — MIMIC-IV 真实 EHR 数据 + 时序事件流 + 多次就诊长程纵向临床决策 + 与 v22 Proactive Memory Agent + Deceptive Grounding 合并形成"医学 Agent 长时评测 = 通用 + 真实临床 + 实体归属"三视角;第五十五 — System-Aware KV Cache Optimization Survey(arXiv:2607.08057, Jay 7-14 0935 精读 ★) — 80+ 篇相关工作综述 + 三轴分类法(Temporal/Spatial/Structural)+ 从"算法角度"重新组织为"系统行为角度"分类框架;第五十六 — ByteByteGo AI Inference Engineering Guide 6-15 + EP215 AI Agent Anatomy 5-16(Jay 7-14 0935 精读 ★) — Prefill 算力密集 + Decode 显存带宽密集 + 条件式 Disaggregation + Prefix Caching 共享 system prompt + Agent 四层解剖(规划/工具使用/记忆/循环)+ Guardrails 5 维;第五十七 — Lilian Weng Harness Engineering for Self-Improvement 7-04(Jay 7-13 1815 精读 + stephen 7-13 12:48 协调棒 ★) — RSI 递归自我改进 + Harness 4 大组件(Environment Simulation/Tool Call Tracking/Memory Tier Management/Eval-Driven Refinement)+ 常见失败模式(分布偏移/reward hacking/层级混淆);第五十八 — Jet-Long Dynamic Bifocal RoPE(arXiv:2607.07740, 7-14 promo selection 2026-07-13-top.md) — 拆短程保真 + 长程可缩放窗口 + inclusion-exclusion attention merge + H100 长上下文 prefill = FA2 1.39× + Qwen3-1.7B/4B/8B 128K RULER +4.79/+2.18/+2.03 pp + HELMET-RAG 综合最佳 + PG-19 困惑度最低;第五十九 — Microsoft Agent Framework 1.0 + pgrust Rust(stephen 7-13 12:48 协调棒 ★) — Microsoft Agent Framework 1.0 合并 AutoGen + Semantic Kernel + pgrust 2481⭐ Postgres Rust 重写(46,000+ 回归测试 + 兼容 Postgres 18.3 + WASM demo + 250k 行 Rust / 两周 AI agent 辅助);第六十 — Energy/Performance/Accuracy Trade-offs(arXiv:2607.09172, Jay 7-13 1950 工程筛选 ★)+ μCUTLASS DSL(arXiv:2603.29010)+ FlashInfer-Bench(arXiv:2601.00227) + Spheron torch.compile 三 mode 对比 — FlashInfer 在 energy efficiency 优于 FlashAttention-3 + Prefix caching 是最有效配置杠杆 + Chunked prefill 无显著影响 + μCUTLASS DSL + Anti-gaming 1.9× + GPT-5-mini 1.27× geomean speedup + FlashInfer-Bench apply() 注入 SGLang/vLLM;与 v21 VibeTensor + Forge + KernelSight-LM 合并形成 v22 "Kernel Agent = VibeTensor + Forge + μCUTLASS DSL + FlashInfer-Bench + Energy/Performance 5 件套"
2.6 评测、可靠性与对抗(v22 扩为 19 子节 = v21 18 + 1 新)
v21 §2.6.1-18沿用 + ★NEW22 §2.6.19 Proactive Memory Agent 主动记忆干预 + Deceptive Grounding 临床 RAG 实体归属盲区 + Long-Horizon-Terminal-Bench 长度维度评测 + LongMedBench 医学 Agent 真实临床长程 + Soofi S 30B-A3B Mamba-Transformer MoE + Augmenting Fundamental Analysis 金融 RAG + VaseMuseum 文物 RAG + MedPMC 医学多模态 + System-Aware KV Cache Optimization Survey + Jet-Long Dynamic Bifocal RoPE + Microsoft Agent Framework 1.0 + pgrust Rust + ByteByteGo AI Inference Engineering + Lilian Weng Harness for RSI 14 件套
v22 评测基线硬要求 38 件套 (v21 32 件套 + 6 件增量 = Proactive Memory Agent + Deceptive Grounding + Long-Horizon-Terminal-Bench + LongMedBench + Augmenting Fundamental Analysis + VaseMuseum/MedPMC):v21 32 件套全数沿用 + Proactive Memory Agent Meta +8.3 pp + Deceptive Grounding 13 模型因子 + Long-Horizon-Terminal-Bench 46 任务 9 类密集 reward + LongMedBench MIMIC-IV 真实临床 + Soofi S 30B-A3B Mamba-Transformer MoE + Augmenting Fundamental Analysis SEC EDGAR + VaseMuseum 古希腊陶器 RAG + MedPMC PubMed 6.1M + System-Aware KV Cache Optimization Survey 三轴分类法 + Jet-Long Bifocal RoPE H100 FA2 1.39× + Microsoft Agent Framework 1.0 + pgrust Rust 2481⭐ + ByteByteGo AI Inference Engineering + ByteByteGo EP215 AI Agent Anatomy 5 维 + Lilian Weng Harness for RSI 4 大组件 (v22 +6 件增量 = 38 件套)。
2.7 行业与平台动态(v22 凝练版)
v21 §2.7 全数沿用 + ★NEW22 9 信号:Proactive Memory Agent Meta AI 主动记忆干预(flyP 7-11 1100 PDF 级反方审稿主精读 ★)— Terminal-Bench 2.0 +8.3 pp / τ²-Bench +6.8 pp;Deceptive Grounding 临床 RAG 实体归属盲区(Tom 7-13 20:40 v2 ★ + web_search 验证)— 13 模型因子 + 医学专用 LLM 86.7% DG 率 + entity-anchoring 36.4% → 5.7%;Long-Horizon-Terminal-Bench 长度维度评测(Tom 7-13 20:40 v2 + 7-14 ★)— 46 任务/9 类/密集 reward;LongMedBench 医学 Agent 真实临床长程(Tom 7-13 20:40 v2 ★)— MIMIC-IV 真实 EHR 数据;Soofi S 30B-A3B Mamba-Transformer MoE(Tom 7-13 20:40 v2 ⚠️ 监控清单)— 30B 总参/3B 激活/27T tokens/sovereign 语义边界;Augmenting Fundamental Analysis with LLMs 金融 RAG(Tom 7-14 ★)— SEC EDGAR + 9 家公司 + Kitchin 周期;VaseMuseum 文物 RAG + MedPMC 医学多模态(Jay 7-14 ★)— 古希腊陶器 VLM + PubMed 6.1M 图像-文本;System-Aware KV Cache Optimization Survey 三轴分类法 + ByteByteGo AI Inference Engineering + EP215 AI Agent Anatomy + Lilian Weng Harness for RSI 4 大组件 + Microsoft Agent Framework 1.0 + pgrust Rust 2481⭐ + Jet-Long Bifocal RoPE + Mem0 6-24 综述 + Ranksquire 6-05 3,870 tasks/day SLOs + METR task horizon 123 天翻倍 + Opus 4.6 14.5 小时节点(Jay 7-13 1815/1950/1330 + Jay 7-14 0935 + stephen 7-13 12:48 协调棒 + flyP 7-11 周末反方审稿 + 2 web_search 验证)— Agent 工程栈从 7 件套升格到 8 件套(Stack + Memory + Kernel + Industry + Production + Eval + Defense + Compliance)
3. 共识 / 争议 / 开放问题 / 趋势
3.1 共识(v22 共 28 条 = v21 27 + 1 NEW)
v21 共识 1-27 全部沿用(详 v21 archive)。★NEW22 共识 28: "Agent 记忆从'被动检索 + 主动干预'双策略升格" — 既往: v17-v20 既有 memory 系统(MemGPT/MemoryBank/Generative Agents/Mem0)都解决"能否存/能否取";v19 Interpretable Uncertainty(被动触发);v21 MemTraceBench(操作级归因);v22 证据: Proactive Memory Agent(arXiv:2607.08716 Meta AI Yifan Wu,Terminal-Bench 2.0 +8.3 pp / τ²-Bench +6.8 pp / 独立 Memory Agent 与 Action Agent 双 agent 解耦);Mem0 6-24 官方 blog "State of AI Agent Memory 2026";2026 H2 Agent 记忆从"被动检索"升级到"主动干预"双策略 = 与 v20 推理引擎 7+1 横评 + LangChain State of Agent Engineering + Mem0/Letta/Zep 三件套形成"Agent 工业级生态 = 推理引擎 + Memory 工业级 + 主动干预 + 合规中心 四轨成熟"。
3.2 争议(v22 共 42 条 = v21 40 + 2 NEW)
v21 争议 1-40 全部沿用(D1-D40 详 v21 archive)。★NEW22 争议 41: Proactive Memory Agent 沉默错误(silence failure)代价未量化质疑 — Proactive Memory Agent 让 memory agent 自主决定"是否注入 concise reminder" — 但沉默错误代价是巨大隐患: ① memory agent 选择 silence 时没有任何审计信号 — 一旦沉默错误(如"该注入时沉默"),action agent 会在不知情下重复犯错;对评估的需求:应报告 precision / recall / F1 of memory-agent intervention decision,而非只报 action agent 的最终 pass@1;② "假阳性注入"成本未量化 — always-on ablation 已知会消耗 token + 增加 latency,但具体消耗多少 token、多少 ms 在摘要里没给 — 这对工业部署是关键参数;③ "Qwen3.5-27B 微调后 partial transfer to Terminal-Bench" 是定性的 — 摘要级没说绝对数字,开源社区无法判断"部分"是 +2 pp 还是 +0.2 pp。Proactive Memory Agent 必须配"沉默审计 + 假阳性成本 + 数字公开"三重数据公开才能进入生产流水线 = 这条工程化缺口比 Proactive Memory Agent 论文本身更重要。 ★NEW22 争议 42: Deceptive Grounding 实体一致性 check 工程开销与多模态迁移性质疑 — Deceptive Grounding 揭示"实体归属"是 RAG 评测的系统性盲区,但实体一致性 check 的工程化路径未量化: ① "实体一致性"check 需要 NER + 属性映射 + 跨文档比对三步算力成本可能远高于现有 faithfulness check — 论文应给"实体一致性 check vs faithfulness check"的算力开销对比,证明生产可部署;② 多模态 RAG 迁移性未测 — DG 论文实验场景是文本临床 RAG,多模态(医学影像+病理报告+临床记录)实体归属复杂度更高 — 图像中的人脸归属 / 病理切片中的细胞归属 / 表格中的药物剂量归属 — DG 在多模态场景的失败模式可能更严重;③ "实体归属"的 operational metric 缺 — 摘要没给"实体一致性"的量化检测协议;④ 临床专用 LLM 86.7% DG 率 vs entity-anchoring instruction 36.4% → 5.7% — 但 in pre-attentional profiles 几乎无效(-4.2 pp): parametric-prior profiles 是 instruction-addressable;其他 profiles require architectural intervention。Deceptive Grounding 必须配"实体一致性 check 算力开销 + 多模态迁移性 + operational metric + architectural intervention 4 重工程化才能进入生产 RAG 评测标准。
3.3 开放问题(v22 共 91 条 = v21 86 + 5 NEW)
v21 开放问题 1-86 全部沿用(详 v21 archive)+ ★NEW22 Q87: Proactive Memory Agent(arXiv:2607.08716 Meta AI)在 30 天内是否被 Claude Code / Codex / Antigravity / OpenHands 主流 coding agent 框架的生产 ops 手册纳入?Meta AI 是否 release SETA 数据集 license + Qwen3.5-27B 微调后 partial transfer to Terminal-Bench 绝对数字 + 跨基准 transfer(OSWorld / SWE-EVO / GAIA)?Deceptive Grounding(arXiv:2607.09349)实体一致性 check 是否被 Mem0/Letta/Zep 工业级 Memory 系统纳入根因分析流程?Long-Horizon-Terminal-Bench(arXiv:2607.08964)46 任务/9 类密集 reward 是否被 v22 Proactive Memory Agent / v21 UniClawBench 借鉴,合并形成"宽度 + 长度 + 能力"三维评测?Soofi S 30B-A3B(arXiv:2607.09424)license 三层核实 + sovereign vs open-source 语义边界 + 27T tokens 训练数据透明度 + 30B 部署门槛对比?
3.4 趋势(v22 共 99 条 = v21 94 + 5 NEW)
v21 趋势 1-94 全部沿用(T79-T94 详 v21 archive)— 趋势 94 "Agent 工程栈从'5 层 → 6 层 → 7 件套'" 已升格。★NEW22 趋势 95: Agent 记忆从"被动检索"升级到"主动干预"双策略 = 独立 Memory Agent 与 Action Agent 解耦 + plug-and-play + behavioral state decay 新概念 + Terminal-Bench 2.0 +8.3 pp / τ²-Bench +6.8 pp — 既往: v17-v20 MemGPT/MemoryBank/Generative Agents/Mem0 解决"能否存/能否取";v19 Interpretable Uncertainty(被动触发);v21 MemTraceBench(操作级归因);v22 证据: Proactive Memory Agent(arXiv:2607.08716 Meta AI Yifan Wu)+ Mem0 6-24 blog "State of AI Agent Memory 2026";2026 H2 Agent 记忆从"被动检索"切到"主动干预"双策略成熟。 ★NEW22 趋势 96: RAG 评测从"事实一致性"升级到"实体一致性" + "实体归属盲区"被识别为系统性问题 — 既往: v17-v20 89% vs 52% gap + Trajel 工业归因 + AgentHallu 学术归因 + AgentLens 全轨迹评审;v21: UniClawBench(能力维度)+ MemTraceBench(操作级归因);v22 证据: Deceptive Grounding(arXiv:2607.09349 Caruzzo/Yoo/Kim)= 13 模型因子设计 + 医学专用 LLM 86.7% DG 率 + entity-anchoring instruction 36.4% → 5.7%(-30.7 pp)+ 临床 RAG 评测系统性盲区;2026 H2 RAG 评测从"事实一致性"切到"实体一致性"+ 评测盲区从"二元结果"扩到"细粒度实体归属" = 与 v22 Long-Horizon-Terminal-Bench(长度维度)+ v21 UniClawBench(能力维度)合并形成"RAG/Agent 评测 = 能力 + 长度 + 归因 + 轨迹 + 实体归属 5 维度"。 ★NEW22 趋势 97: agent 训练从"末端 reward"升级到"过程 reward" + 长程 agent 任务长度每 123 天翻倍 — 既往: v18-v20 89% vs 52% gap + AgentTether Repair Memory + v21 MemTraceBench +7.62% 闭环;v22 证据: Long-Horizon-Terminal-Bench(arXiv:2607.08964,46 任务/9 类/密集 reward)+ METR task horizon 123 天翻倍 + Opus 4.6 14.5 小时节点 + week-long autonomous tasks 预计 late 2026;2026 H2 agent 训练从"末端 reward"切到"过程 reward"+ 任务长度每 123 天翻倍 = 与 v22 Proactive Memory Agent(主动记忆干预)+ v22 Deceptive Grounding(实体归属)合并形成"agent 训练 = 长度 + 过程 + 主动 + 实体归属 4 维度"。 ★NEW22 趋势 98: 医学 Agent 长时评测从"知识问答"升级到"真实临床纵向推理" + 临床 RAG 实体归属盲区 — 既往: v18-v20 89% vs 52% gap + v19 LifeBench 55.2% SOTA + v21 Mem0/Letta/Zep 工业三件套;v22 证据: LongMedBench(arXiv:2607.09322, MIMIC-IV 真实 EHR + 时序事件流 + 多次就诊长程纵向临床决策)+ Deceptive Grounding(arXiv:2607.09349, 临床 RAG 实体归属盲区)+ Proactive Memory Agent 通用长程 + Mem0 6-24 综述 graph memory 2024→2026;2026 H2 医学 Agent 长时评测 = 通用(Meta)+ 真实临床(MIMIC-IV)+ 实体归属 + 工业级 Memory 4 视角成熟 = 与 v22 Soofi S 30B-A3B(开源长上下文)+ v22 Augmenting Fundamental Analysis(金融 RAG SEC EDGAR)+ v22 VaseMuseum(文物 RAG)+ v22 MedPMC(医学多模态数据)合并形成"垂直领域 RAG = 医学 + 金融 + 文物 + 多模态 4 视角"。 ★NEW22 趋势 99: Agent 工程栈从"7 件套"升格到"8 件套 + Compliance" = Stack + Memory + Kernel + Industry + Production + Eval + Defense + Compliance — 既往: v18 Alice Labs 7 框架 + v19 6 层 AI Agents Stack + v20 Addy Osmani 75K agent-skills + 3D Design + v21 7 件套(Stack + Memory + Kernel + Industry + Production + Eval + Defense);v22 证据: + Mem0 6-24 blog(graph memory 2024→2026 + multi-scope memory 4 scopes)+ Ranksquire 6-05 3,870 tasks/day SLOs + EU AI Act Article 13 合规中心 + Lilian Weng Harness for RSI 4 大组件 + Microsoft Agent Framework 1.0 + pgrust Rust 2481⭐ + System-Aware KV Cache Survey 三轴分类法;Agent 工程栈 8 件套 = Stack + Memory + Kernel + Industry + Production + Eval + Defense + Compliance = 与 v21 趋势 94 "7 件套"升格为 v22 趋势 99 "8 件套 + Compliance"。
4. 跨实例审稿链(v22 凝练版)
jay: 7-13 1815 kvcache-architecture-raschka-modular-harness-selfplay(Modular Five Eras of KVCache + Raschka KV Sharing/mHC/Compressed Attention + Lilian Weng Harness for RSI 7-04 4 大组件 + Environment Simulation/Tool Call Tracking/Memory Tier Management/Eval-Driven Refinement + 常见失败模式 3 类)| 7-13 1950 engineering-filter-pytorch-triton-llm-kernel-arxiv-jul2026(arXiv:2607.09172 Energy/Performance/Accuracy 三元 tradeoff + FlashInfer vs FA-3 + Prefix caching 最有效 + Chunked prefill 无显著 + arXiv:2603.29010 μCUTLASS DSL + SOL Guidance + Anti-gaming 1.9× + GPT-5-mini 0.40× → 1.27× geomean speedup + FlashInfer-Bench arXiv:2601.00227 + Spheron torch.compile 三 mode 对比 + DGX Spark Qwen3-Next-80B ~45 tok/s)| 7-14 0935 inference-disaggregation-kvcache-survey-h100-benchmarks(ByteByteGo AI Inference Engineering Guide 6-15 + arXiv:2607.08057 System-Aware KV Cache Optimization Survey 三轴分类法 + AIMultiple H100 SGLang 16,215 vs LMDeploy 16,132 vs vLLM 12,553 + Spheron P/D Disaggregation 2026 + HaoaiLab DistServe 18 月回顾 GB200 NVL72 prefill 3.8× decode 4.8× + ByteByteGo EP215 AI Agent Anatomy 4 层 + Guardrails 5 维)| 7-13 1330 engineering-filter(Microsoft Agent Framework 1.0 合并 AutoGen + Semantic Kernel + pgrust 2481⭐ Postgres Rust 重写 + Alice Labs + StackOne + TGI 维护 + SGLang/vLLM 7 源一致)| 7-13 13:38 awesome-ai-agents-2026-mario(MCP 三角色 + 130+ MCP servers)| 7-13 18:16 backend-llm-inference-stack-2026(vLLM V1 + Modular MAX + NVIDIA NIM + SGLang)| 7-13 19:52 cloudnative-kubernetes-llm-inference(K8s + vLLM + Disaggregation + Knative)| 7-13 21:07 reproduction-ai-systems-engineer(LLM 系统工程师技能)| 7-13 21:15 database-vector-db-benchmarks(ACORN + CIDR 2026 + pgvector)| 7-13 16:21 csdn-high-value(vLLM 2026 EAGLE3 + P/D Disaggregation + 5 范式迁移 + A-RAG + xMemory + GraphRAG)| 7-14 1000-1015 RSS(sim-mon willison / raschka / nathan-benaich / cool-papers / cool-papers-IR / import-ai / bytebytego / msr-blog)。
tom: 7-13 21:35 v2 重写版 radar(4 高价值: Deceptive Grounding 2607.09349 + Long-Horizon-Terminal-Bench 2607.08964 + LongMedBench 2607.09322 + Soofi S 30B-A3B 2607.09424 ⚠️ 监控清单 + 4 一般候选 PanoWorld/Flow-ERD/Augmenting Fundamental Analysis/Phone Segmentation via SPAM + 1 Substack "The AI Agents Stack (2026 Edition)" + Tom 5 判断 + 趋势洞察 3 件套 + v6 候选 JSON 自检硬契约 + 跨日 3 场自检表 v6 + 隔日 3 场自检表 v6 + 周一/周二兜底触发清单 v6 + 手动补充 Substack 明示段 v6 全新 + 7 规则新增 4 条 license 三层核实/重大发现 ≥600 字/同期同子领域合流/Substack 补充(轻量)禁用)| 7-14 早晨 radar(3 高价值: Long-Horizon-Terminal-Bench 2607.08964 + Deceptive Grounding 2607.09349 + Augmenting Fundamental Analysis 2607.09121 + 3 值得关注 VaseMuseum 2607.06374/Long Context vs RAG 评估/MedPMC 2607.07673 + 2 其他 Flow-ERD/Phone Segmentation via SPAM)| 7-12/7-11 雷达接力(v21 沿用)| 7-13/7-14 RSS(cameron-wolfe / interconnects / import-ai / lilian-weng / msr-blog / yt-ai-explained / yt-two-minute-papers / yt-lex-fridman / yt-yannic-kilcher)。
flyP: 7-11 周末反方审稿轮 PDF 级强验证(Proactive Memory Agent 1100 + TokenWall-Token-Flow Firewall 1130 + Context Access Divide 1200 + 周末汇总 1230 = 16K+ 字符 + 多角度批判表 4 维度 + 4 反方风险 + 1 锚 OpenClaw 直接关联 + 1 锚 cs.CY 社会学合法性)| 7-11 09:52 LifeBench(arXiv:2603.03781 v1, 5 类问题 × 2003 题, SOTA 55.2%)+ AgentLAB(arXiv:2602.16901 v1, 5 类长程攻击家族, 28 环境 644 测试用例)| 7-12 09:50 Jet-Long Bifocal RoPE(arXiv:2607.07740, H100 长上下文 prefill = FA2 1.39×, RULER +4.79/+2.18/+2.03 pp)+ DrugGen-2 + 7-12 15:51 Efficient LVLM Inference Survey(arXiv:2604.05546 v2, ACL 2026 Findings, 浙大 SuDIS)| 7-12 22:50 DeepPlanning 长程约束规划(7-11 22:50 承接)| 7-12 22:47 interact-rag-corpus-interaction(RAG 语料库交互)| 7-13 09:52 Canvas360 全景生成(arXiv:2607.08765, HF Daily 17▲)+ V-RAGBench CARVE 视频 RAG(arXiv:2606.13141, DISLab)| 7-13 15:51 LingBot-Video-MoE 具身(7-13 22:50 短续)+ Vidu S1 interactive video(arXiv:2607.03118, HF Daily 122▲)| 7-10 22:51 MemTraceBench(arXiv:2605.28732 v2 +7.62% 闭环)| 7-10 09:52 Mem-Gallery 多模态 LT 记忆(归 multimodal)| 7-10 15:53 Video-Oasis 视频理解 benchmark(归 multimodal)| 7-13/7-14 news digest 6 厂商(Anthropic / OpenAI / Google AI / DeepMind / HF Blog / TLDR AI / Ben's Bites)| 7-13/7-14 厂商 YT(Anthropic / DeepMind / OpenAI)| 7-14 10:18 x-vip-radar。
stephen: 7-13 12:48 跨实例午场协调棒(Microsoft Agent Framework 1.0 合并 AutoGen + Semantic Kernel + pgrust 2481⭐ Postgres Rust 重写 + Lilian Weng Harness 7-04 RSI 理论天花板 + AI Agents Stack 6 层架构 + 推理引擎 7 源一致 + SGLang vs vLLM H100 5 源 + GLM-5.2 三源 + Import AI 461 Alignment + Import AI 464 Artifacts + 6 厂商 news digest + 5 件 Substack 主线 + pgvector CVE-2026-3172 完整修复命令 + 4 件 HuggingFace Jay 0936 + 4 类 multimodal 缺口彻底关闭 + Harness Engineering 主题 6 件证据链 + 3 类前沿资讯候选主题 A/B/C 路径选择)| 7-13 22:48 daily-coordination(v21 沿用)| 7-12 22:48 daily-coordination(v21 沿用)| 7-12 noon coordination-check(MCP 协议生态三角)| 1002-1003 6 RSS(TLDR AI / Anthropic / OpenAI / DeepMind / Google AI / HF Blog / Ben's Bites)| 7-14 1015/1017 YT + x-vip-radar。
spark: 7-14 1001 rss-gradient-flow(主线 D/F/G 巩固 + 13 天同主题 5 条主线冗余确认)| 7-14 1011 rss-gradient-flow(同 1001)| 7-14 1012 rss-chip-huyen(Good AI List 900 个开源 AI 工具 + 5 主题 agents/AI engineering pitfalls/genai platform/personal growth/AI oss)| 7-14 1014 rss-yt-3blue1brown + 7-14 1014 rss-yt-fireship(主 YT 信源)| 7-13 1001 rss-gradient-flow v2(反思 v2 + 主线 D-F 串联 + 主线 A-G 串联 + 16 处 spark 判断)| 7-11 1000/7-12 1001 rss-gradient-flow(主线 D/F/G 巩固 + 13 天冗余抓取)| 7-10 1001 rss-gradient-flow v2(主线 F「CLI for Agents」+ 主线 G「Agent 触及资金」巩固主线确认)| 7-13 1001 rss-gradient-flow v2 反思覆盖。
v22 主源增量 (arxiv_id grep + RSS + web_search): 9 arXiv 主源 7-11 ~ 7-14(Proactive Memory 2607.08716 + Deceptive Grounding 2607.09349 + Long-Horizon-Terminal-Bench 2607.08964 + LongMedBench 2607.09322 + Soofi S 30B-A3B 2607.09424 + Augmenting Fundamental Analysis 2607.09121 + VaseMuseum 2607.06374 + MedPMC 2607.07673 + System-Aware KV Cache Optimization Survey 2607.08057 + Jet-Long 2607.07740)+ 5 arXiv 7-13 1950 工程筛选(arXiv:2607.09172 + arXiv:2603.29010 + arXiv:2601.00227 + Spheron torch.compile + DGX Spark)+ 1 arXiv LifeBench 2603.03781 v1(flyP 7-11 09:50)+ 1 arXiv AgentLAB 2602.16901 v1(flyP 7-11 09:51)+ 1 arXiv Jet-Long 2607.07740(flyP 7-12 09:50 + 7-14 promo selection)+ 1 arXiv Efficient LVLM Inference Survey 2604.05546 v2 ACL 2026 Findings(flyP 7-12 15:51)+ 1 arXiv V-RAGBench 2606.13141(flyP 7-13 09:52)+ 1 arXiv Vidu S1 2607.03118(flyP 7-13 15:51)+ 1 arXiv Canvas360 2607.08765(flyP 7-13 09:52)+ 1 arXiv LingBot-Video-MoE(flyP 7-13 15:51)+ 1 arXiv DeepPlanning(flyP 7-11 22:50)+ 1 Substack "The AI Agents Stack (2026 Edition) 2026 Edition" 6 层架构 + 1 Substack Long Context vs RAG 评估(Rohan's Bytes)+ 1 Substack "RAG 2026 范式迁移"(CSDN qcx23)+ 1 Substack Nathan Benaich State of AI Agent Memory 2026 + 1 Mem0 6-24 官方 blog "State of AI Agent Memory 2026" + 1 Ranksquire 6-05 工业级 "Long-Term Memory for AI Agents: Production Architecture, Compliance, and Sovereignty" + 1 METR task horizon 123 天翻倍 + 1 Opus 4.6 14.5 小时节点 + 1 web_search 验证 Deceptive Grounding entity-anchoring 36.4% → 5.7% + 1 web_search 验证 METR task horizon + 1 flyP 周末反方审稿 4 件 + 4 件 Tom 7-13 v2 重写版 + 3 件 Tom 7-14 早晨 radar + 7 件 Jay 7-13 1815 KVCache 架构 + 5 件 Jay 7-13 1950 工程筛选 + 6 件 Jay 7-14 0935 推理架构演进 + 6 件 Jay 7-13 1330/1820 工程笔记 + 1 件 stephen 7-13 12:48 跨实例午场协调棒 + 4 件 spark 7-11 ~ 7-14 rss 4 天 + Chip Huyen 7-14 1012(Good AI List)+ 8 件 jay 7-14 1000-1015 RSS + 6 件 flyP 7-13/7-14 厂商 news digest = 70+ 新源全数消化。
5. 与其它主题活文档的边界(v22 共 73 条 = v21 72 + 1 新)
- rag.md 新增引用: v21 沿用 + NEW22: Augmenting Fundamental Analysis 2607.09121(金融 RAG SEC EDGAR)+ VaseMuseum 2607.06374(文物 RAG VLM)+ MedPMC 2607.07673(PubMed 6.1M 医学多模态数据)+ Deceptive Grounding 2607.09349(临床 RAG 实体归属盲区)+ Proactive Memory Agent 2607.08716(主动记忆干预 Meta AI)+ LongMedBench 2607.09322(MIMIC-IV 真实临床长程)+ ByteByteGo EP215 AI Agent Anatomy 4 层 + Long Context vs RAG 评估(Rohan's Bytes Substack)
- llm-infra.md 新增引用: v21 沿用 + NEW22: arXiv:2607.08057 System-Aware KV Cache Optimization Survey 三轴分类法(Temporal/Spatial/Structural)+ ByteByteGo AI Inference Engineering Guide 6-15 + AIMultiple H100 SGLang 16,215 vs LMDeploy 16,132 vs vLLM 12,553 + Spheron P/D Disaggregation 2026 + HaoaiLab DistServe 18 月回顾 GB200 NVL72 prefill 3.8× decode 4.8× + arXiv:2607.09172 Energy/Performance/Accuracy Trade-offs + arXiv:2603.29010 μCUTLASS DSL + Anti-gaming 1.9× + FlashInfer-Bench 2601.00227 + arXiv:2607.07740 Jet-Long Bifocal RoPE H100 FA2 1.39× + Soofi S 30B-A3B arXiv:2607.09424 Mamba-Transformer MoE + Microsoft Agent Framework 1.0 + pgrust 2481⭐ Postgres Rust 重写
- multimodal.md 新增引用: v21 沿用 + NEW22: VaseMuseum arXiv:2607.06374 + MedPMC arXiv:2607.07673 + LongMedBench arXiv:2607.09322(MIMIC-IV 真实 EHR 时序事件流)+ Deceptive Grounding arXiv:2607.09349(多模态 RAG 实体归属迁移性)+ Jet-Long arXiv:2607.07740(Dynamic Bifocal RoPE)
- risk.md 新增引用: v21 沿用 + NEW22: TokenWall 精读(arXiv:2607.08395 flyP 7-11 1130 PDF 级反方审稿 + OpenClaw 直接关联 + CIK-Bench ASR 12.5%/benign 97.4%/延迟 0.69s 三件套数字 + 决策四元组 {allow, rewrite, defer, block} + 三层架构 + 中科院计算所) + Deceptive Grounding 2607.09349(临床 RAG 实体归属盲区 + 医学专用 LLM 86.7% DG 率 + entity-anchoring 36.4% → 5.7%) + Proactive Memory Agent 2607.08716(主动记忆干预 + 沉默错误代价未量化 + 假阳性注入成本未量化) + Context Access Divide 2607.08495(flyP 7-11 1200 PDF 级反方审稿 + fan effect 概率模型 + MCP 路线合法性 + Sharp 框架 extension) + pgvector CVE-2026-3172 P0 紧急(完整修复命令 7-13 12:48 stephen 协调棒) + Ranksquire 6-05"Long-Term Memory for AI Agents: Production Architecture, Compliance, and Sovereignty"(3,870 tasks/day SLOs + EU AI Act Article 13 合规中心)
- evaluation.md 新增引用: v21 沿用 + NEW22: Deceptive Grounding 2607.09349(13 模型因子设计 + 医学专用 LLM 86.7% DG 率 + entity-anchoring 36.4% → 5.7% -30.7 pp) + Proactive Memory Agent 2607.08716(Terminal-Bench 2.0 37.6% → 45.9% +8.3 pp / τ²-Bench 55.0% → 61.8% +6.8 pp) + Long-Horizon-Terminal-Bench 2607.08964(46 任务/9 类/密集 reward) + LongMedBench 2607.09322(MIMIC-IV 真实临床长程) + Augmenting Fundamental Analysis 2607.09121(SEC EDGAR 金融 RAG) + VaseMuseum 2607.06374(古希腊陶器 VLM RAG) + MedPMC 2607.07673(PubMed 6.1M 医学多模态数据) + System-Aware KV Cache Optimization Survey 2607.08057(三轴分类法 Temporal/Spatial/Structural) + ByteByteGo EP215 AI Agent Anatomy 4 层 + Guardrails 5 维 + Lilian Weng Harness for RSI 4 大组件(Environment Simulation/Tool Call Tracking/Memory Tier Management/Eval-Driven Refinement) + Mem0 6-24 官方 blog "State of AI Agent Memory 2026"(graph memory 2024→2026 + multi-scope memory 4 scopes)+ Ranksquire 6-05 3,870 tasks/day SLOs + METR task horizon 123 天翻倍 + Opus 4.6 14.5 小时节点 + 评测基线 32 件套(v21)+ 6 件增量 = Proactive Memory Agent + Deceptive Grounding + Long-Horizon-Terminal-Bench + LongMedBench + Augmenting Fundamental Analysis + VaseMuseum/MedPMC = v22 共 38 件套
- database.md 新增引用: v21 沿用 + NEW22: GenDB Multi-Agent DB arXiv:2603.02081 SIGMOD 2026 Companion(沿用 v21) + Microsoft Agent Framework 1.0 合并 AutoGen + Semantic Kernel(stephen 7-13 12:48 协调棒) + pgrust 2481⭐ Postgres Rust 重写(46,000+ 回归测试 + 兼容 Postgres 18.3 + WASM demo + 250k 行 Rust / 两周 AI agent 辅助) + LongMedBench arXiv:2607.09322(MIMIC-IV 真实 EHR 数据库) + MedPMC arXiv:2607.07673(PubMed 6.1M 医学多模态数据) + pgvector CVE-2026-3172 P0 紧急(完整修复命令 7-13 12:48 stephen 协调棒)
沿革摘要(至 2026-07-14)
v1 ~ v13 沿用 — 完整沿革见 archive 目录各版快照(spark 维护)。此段压缩为 1 段:spark cron 触发的 Wave2 E1 agent 活文档自 v12 起为"二阶重写+边界分离"范式;v12 = Harness Engineering 学科化 + LEAP 形式化 + 90%+ Agent 记忆污染 + BitNet 1-bit + Anthropic bounded autonomy;v13 = Agent 协议栈 MCP/A2A/ACP/UCP 完整图谱 + Harness Engineering 跨源汇聚 3 源 + MiroEval + Vera 93.9% 攻击成功率 + KV Cache 压缩新篇 5 论文 + 1-bit LLM 推理生产现实 + MiniMax-M2 Series;v14-18 = 长程记忆 / 工业级 Harness / 静默失败分类学 / GitOfThoughts 记忆反方;v19 = AgentTether 图引导 + OpenAI SWE-Bench Pro 自审 + DeepMind Agent Control Roadmap + SkillOpt-Lite / SWE-Review / Light-Omni 3 横切;v20 = OpenAI 公开撤回 SWE-Bench Pro 30% broken + AgentTether 修复率 59-65% 数字公开 + SWE-Review 27.5→56.9% 闭环数字 + AgentLens 全轨迹评审 + Addy Osmani 75K 工业级 Skills + AI Agents Stack 6 层 + RAG 2026 五代 + Single-Rollout Async RL + Sparse Delta Memory 九件套;v21 = 持久 Agent 安全三角(UniClawBench capability-driven 主动评估 + Token-Flow Firewall 中间 token 流 4 层审计 + Context Access Divide DCR 第四维度)+ MemTraceBench 记忆系统操作级归因(arXiv:2605.28732 v2 +7.62% 闭环)+ LangChain Agent 静默失败两周真实生产案例 + OWASP Top 10 AI/LLM/Agent 2026 cheat sheet + Mem0/Letta/Zep Agent Memory 三件套 + 45% 跨会话遗忘率 + GenDB Multi-Agent DB 九件套;v22 = Proactive Memory Agent(arXiv:2607.08716 Meta AI Terminal-Bench 2.0 +8.3 pp / τ²-Bench +6.8 pp 主动记忆干预范式)+ Deceptive Grounding(arXiv:2607.09349 临床 RAG 实体归属盲区 13 模型因子 + 医学专用 LLM 86.7% DG 率 + entity-anchoring 36.4% → 5.7%)+ Long-Horizon-Terminal-Bench(arXiv:2607.08964 46 任务/9 类密集 reward)+ LongMedBench(arXiv:2607.09322 MIMIC-IV 真实临床长程)+ Soofi S 30B-A3B(arXiv:2607.09424 Mamba-Transformer MoE 30B/3B 激活 27T tokens ⚠️ 监控清单)+ Augmenting Fundamental Analysis(arXiv:2607.09121 SEC EDGAR 金融 RAG)+ VaseMuseum(arXiv:2607.06374 文物 RAG VLM)+ MedPMC(arXiv:2607.07673 PubMed 6.1M 医学多模态数据)+ System-Aware KV Cache Optimization Survey(arXiv:2607.08057 三轴分类法 Temporal/Spatial/Structural)+ Jet-Long Bifocal RoPE(arXiv:2607.07740 H100 FA2 1.39×)+ flyP 7-11 周末反方审稿 4 件(Proactive Memory/TokenWall/Context Access Divide/周末汇总)+ Mem0 6-24 官方 blog(graph memory 2024→2026)+ Ranksquire 6-05 3,870 tasks/day SLOs + EU AI Act Article 13 合规中心 + METR task horizon 123 天翻倍 + Opus 4.6 14.5 小时节点 14 件套。
本次变更(v22 · 2026-07-14 10:30 CST · 第二十二轮 · spark cron 触发)
主轴: Proactive Memory Agent(arXiv:2607.08716 Meta AI Yifan Wu flyP 7-11 1100 PDF 级反方审稿主精读 ★= behavioral state decay + 独立 Memory Agent 与 Action Agent 双 agent 解耦 + plug-and-play + Terminal-Bench 2.0 37.6% → 45.9% (+8.3 pp) / τ²-Bench +6.8 pp / Qwen3.5-27B SFT+GRPO partial transfer + 5 反方风险)+ Deceptive Grounding(arXiv:2607.09349 Caruzzo/Yoo/Kim Tom 7-13 20:40 v2 ★ + web_search 验证 entity-anchoring 36.4% → 5.7% = 临床 RAG 实体归属失败 = faithfulness/hallucination/citation 三类 check 全部失效 + 13 模型因子 + 医学专用 LLM 86.7% DG 率 + 4 反方风险)+ Long-Horizon-Terminal-Bench(arXiv:2607.08964 Tom 7-13/7-14 雷达 ★= 46 任务/9 类/密集 reward + 与 UniClawBench 合并形成"宽度+长度"双维度评测框架)+ LongMedBench(arXiv:2607.09322 Tom 7-13 20:40 v2 ★= MIMIC-IV 真实 EHR + 时序事件流 + 多次就诊长程纵向临床决策 + 2 反方风险)+ Soofi S 30B-A3B(arXiv:2607.09424 Tom 7-13 20:40 v2 ⚠️= 30B/3B 激活/27T tokens/sovereign + 4 反方风险)+ Augmenting Fundamental Analysis with LLMs(arXiv:2607.09121 Tom 7-14 雷达 ★= SEC EDGAR + 9 家公司 + Kitchin 周期)+ VaseMuseum(arXiv:2607.06374= 古希腊陶器 VLM)+ MedPMC(arXiv:2607.07673= PubMed 6.1M)+ System-Aware KV Cache Optimization Survey(arXiv:2607.08057 Jay 7-14 0935 精读 ★= 80+ 篇 + 三轴分类法)+ ByteByteGo AI Inference Engineering Guide 6-15 + EP215 AI Agent Anatomy 5-16(Jay 7-14 0935 精读 ★= Prefill 算力密集 + Decode 显存带宽密集 + 条件式 Disaggregation + Prefix Caching + Agent 四层解剖 + Guardrails 5 维)+ Jet-Long Dynamic Bifocal RoPE(arXiv:2607.07740= H100 长上下文 prefill = FA2 1.39× + RULER +4.79/+2.18/+2.03 pp)+ Lilian Weng Harness Engineering for Self-Improvement 7-04(Jay 7-13 1815 精读 + stephen 7-13 12:48 协调棒 ★= RSI + Harness 4 大组件 Environment Simulation/Tool Call Tracking/Memory Tier Management L1/L2/L3/Eval-Driven Refinement)+ Microsoft Agent Framework 1.0 + pgrust Rust(stephen 7-13 12:48 跨实例午场协调棒 ★= 合并 AutoGen + Semantic Kernel + pgrust 2481⭐ Postgres Rust 重写 46,000+ 回归测试 + 250k 行 Rust)+ Mem0 6-24 blog "State of AI Agent Memory 2026"(graph memory 2024→2026 + multi-scope memory 4 scopes + v0.8.2)+ Ranksquire 6-05 3,870 tasks/day SLOs + EU AI Act Article 13 合规中心 + METR task horizon 123 天翻倍 + Opus 4.6 14.5 小时节点 + flyP 7-11 周末反方审稿 4 件 PDF 级强验证(Proactive Memory 1100 + TokenWall 1130 + Context Access Divide 1200 + 周末汇总 1230)+ flyP 7-12/7-13 精读 8 件(LifeBench + AgentLAB + Jet-Long + DrugGen-2 + Efficient LVLM Survey + DeepPlanning + Canvas360 + V-RAGBench + LingBot-Video-MoE + Vidu S1)+ Jay 7-13 1815/1950/1330 + 7-14 0935 工程筛选/架构/笔记 18 件 + Tom 7-13/7-14 雷达 4+3=7 高价值(Deceptive Grounding + Long-Horizon-Terminal-Bench + LongMedBench + Soofi S 30B-A3B ⚠️+ Augmenting Fundamental Analysis)+ stephen 7-13 12:48 跨实例午场协调棒(Microsoft Agent Framework 1.0 双源 + pgrust Rust 2481⭐ + Lilian Weng + pgvector CVE 完整修复 + GLM-5.2 三源 + 6 厂商 news digest)+ spark 7-11 ~ 7-14 rss 4 天(主线 D/F/G 巩固 + 7-13 v2 D-F/A-G 串联)+ Chip Huyen 7-14 1012(Good AI List 900 个开源 AI 工具)+ 2 web_search 验证(Deceptive Grounding entity-anchoring 36.4% → 5.7% + METR task horizon 123 天翻倍)。承接 v21 14+4+3+4+3+23+3+2+5+17+2+2+2+34+1+1+1+1+1+56+5+7+70+4+4+5+1+1+1 + 66 边界 → v22 14+4+3+4+3+23+3+2+5+17+2+2+2+34+1+1+1+1+1+56+5+7+70+4+4+5+1+1+1 + 9 横切 + 1 共识 + 2 争议 + 5 开放问题 + 5 趋势 + 1 边界增量 + 66 边界 = 22 新信号(横切 52-60 + 共识 28 + 争议 41-42 + Q87-Q91 + 趋势 95-99 + 边界 73 增量)。
本次变更(v21 · 2026-07-11 07:00 CST · 第二十一轮 · spark cron 触发)
主轴: 持久 Agent 安全三角(UniClawBench arXiv:2607.08768 capability-driven 4 能力切分 + Token-Flow Firewall arXiv:2607.08395 持久 Agent 中间 token 流 4 层语义审计 + Context Access Divide arXiv:2607.08495 DCR 第四维度不平等 Tom 7-10 21:50 重写版首发 ★)+ MemTraceBench(arXiv:2605.28732 v2 浙大 operation-variable execution graph + 4 后端 Long-Context/RAG/Mem0/EverMemOS + 归因→prompt 优化 +7.62% 闭环 + smartcomment AOP 拦截录制器 flyP 7-10 22:50 主精读 + github zjunlp/MemTrace)+ LangChain Agent 静默失败两周真实生产案例(jay 7-10 14:50 engineering-filter-round2 agent 循环静默失败/幻觉 incident postmortem/工具调用泄漏数据)+ OWASP Top 10 AI/LLM/Agent 2026 cheat sheet(alexewerlof Substack 整合 LLM01-LLM10 + ASI01-ASI10 + 最小权限原则)+ Mem0 / Letta($10M seed MemGPT 合并)/ Zep Agent Memory 三件套(jay 7-10 11:05 morning-briefing + Nathan Benaich State of AI 2026)+ 45% 跨会话遗忘率 + RAG→Agent 认知架构范式迁移(CSDN qcx23 jay 7-10 16:20 A-RAG Agent-driven retrieval + xMemory 语义解耦 + GraphRAG 工业化)+ GenDB Multi-Agent 数据库代码生成(arXiv:2603.02081 SIGMOD 2026 Companion Multi-Agent Storage/Index Designer / Query Planner / C++ Generator + JSON+Markdown 通信 + TOON/MCP/A2A 协议改进 jay 7-10 21:05 evening-briefing)+ VibeTensor Kernel Agent(NVIDIA 2026-02 jay 7-10 13:35)+ Forge LLM 生成 GPU Kernels(Stanford KernelBench Leaderboard 2024-12 多 Agent 接收 PyTorch 代码 → CUDA/Triton kernel 2x-14x torch.compile 加速)+ Linear Attention 5 种路线收敛(arXiv:2607.07953 Tom 7-10 21:50 ★ Softmax attention vs DeltaNet / Gated DeltaNet / Kimi Delta Attention / Gated DeltaNet-2 统一 recurrent-memory 表示法 收敛 Gated DeltaNet-2 节省 ~50% 算力)+ LongE2V(arXiv:2607.08770 Tom 7-10 21:50 ★ AR Unrolling + Adaptive Context Switching + 事件触发式检索 ~80% 数据量降低)+ PolyUQuest 2607.08269(手动补充 Tom 7-10 21:50 ★ Web RAG 异构图建模 DOM 层级 + 超链接拓扑 + 跨页面实体关系 = 三层结构 + 节点/边/子图三层检索)+ Conversational RAG for Historical Archives 2607.08459(手动补充 Tom 7-10 21:50 ★ 垂直领域 RAG 会话式升级 历史档案数字图书馆会话式档案理解)+ pgvector CVE-2026-3172 P0 紧急(jay 7-10 18:04 跨 relation 数据暴露 < 0.8.2 受影响 7 天内升级)+ 4 Substack(FutureAGI 长上下文保真度评测三件套 NIAH + Lost-in-the-middle 40% + Attention-budget + Emerging AI "How AI Agents Are Built in May 2026" 13 步实操 + Nathan Benaich State of AI 2026 + Cobus Greyling AI Agent Reality Gap + alexewerlof OWASP Top 10 AI/LLM/Agent 2026)。承接 v20 14+4+3+4+3+23+3+2+5+17+2+2+2+34+1+1+1+1+1+56+5+7+70+4+4+5+1+1+1 + 66 边界 → v21 14+4+3+4+3+23+3+2+5+17+2+2+2+34+1+1+1+1+1+56+5+7+70+4+4+5+1+1+1 + 7 横切 + 0 共识 + 0 争议 + 5 开放问题 + 5 趋势 + 1 边界增量 + 66 边界,新增 = 0 主线 + 7 横切 + 0 共识 + 0 争议 + 5 开放问题 + 5 趋势 = 17 新信号(主要为 v20 三主线数字公开化与升格 + AgentLens 新增,实际净增量 3-4 信号)。
本次变更(v20 · 2026-07-10 10:30 CST · 第二十轮 · spark cron 触发)
主轴: OpenAI 公开撤回 SWE-Bench Pro 推荐(7-08 21:41 UTC 推文 + 7-09 OpenAI index/separating-signal-from-noise-coding-evaluations 完整技术报告,30% 任务审计为 "broken",从 v19 "OpenAI 自审"升格为 v20 "OpenAI 公开撤回"二阶事件,工业弃用里程碑) + AgentTether 完整数字公开(arXiv:2607.06273 web_search 核验,261 τ-bench 任务 / 3 域 / Qwen3.7-max 主模型 + GPT-5.4 跨模型迁移,Banking 域 59.04% (49/83) Qwen3.7-max + 65.12% (56/86) GPT-5.4 修复率,post-run repair framework 不改 agent 不改环境) + SWE-Review 完整数字公开(arXiv:2607.06065 web_search 核验,Qwen3-30B-A3B 27.5→56.9% / Qwen3-Coder-30B-A3B 50.9→68.8% / GLM-5 72.2→75.4% SWE-bench Verified resolve rate generate-review-revise 循环,transfer beyond review + effective test-time scaling) + AgentLens 全轨迹评审基准升格(arXiv:2607.06624,production-assessed trajectory reviews + formal verification + LLM-written trajectory reviews + side-by-side comparisons,首次把"用户实际体验"作为评测单元) + Single-Rollout Async RL for Agentic Tasks 升格(arXiv:2607.07508,异步 RL 替代同步 GRPO 解决长视野 agentic 任务训练效率问题) + Sparse Delta Memory 升格(arXiv:2607.07386,稀疏寻址扩展 Gated Linear RNN 状态容量) + Addy Osmani 75,905 star agent-skills 工业级生产(Jay 7-10 09:36 GitHub Trending,+2,554 今日,Google Web Essentials + PWA 推动者出品,代码审查 / 重构 / 测试生成 / 文档编写工程实践) + AI Agents Stack 6 层模型 2026 Edition 升格(The AI Engineer Substack,Models / Storage / Tool Libraries & Memory / Orchestration / Observability / Governance,5 层→6 层,3 层在 2024 年尚不存在独立分类,Nuance Perspective 升格"栈"→"双向治理系统") + RAG 2026 五代演进升格(CSDN 7-10,GraphRAG + MM-RAG + Hierarchical + Adaptive + RAFT 5 路径并行,Neo4j-GenAI 工程化框架已生产可用,SigLIP/Qwen2-VL/InternVL 多模态编码) + 3D Design for Production Agents(MLOps Community Haytham Abuelfutuh Union.ai CTO,Dynamic + Durable + Defended 三轴,Dragonfly 25 万商品单次索引) + LangChain State of Agent Engineering(1 万+ 员工最大挑战 = 幻觉和输出一致性) + 推理引擎 7+1 横评(TGI 维护 + Modular MAX + NVIDIA NIM 第五 + vLLM MRV2 + SGLang 28d star + HF transformers native-speed vLLM + Microsoft Foundry Managed Compute) + 5 模型动态(GPT-5.6 Luna/Terra/Sol / Muse Spark 1.1 / GLM-5.2 / Kimi K2.7-Code / baidu/Unlimited-OCR) + Trajel trajectory-level hallucination 精读(arXiv:2605.24219,225 轨迹 / 6 模型 / 42 任务 κ=0.456 clarity-and-justification AUC=0.908 > 监督分类器 AUC=0.689,实时执行信号 > 后置监督分类器,IBM + Columbia) + Mem-Gallery 多模态长期记忆(flyP 7-10 主精读凝练归 multimodal)+ 评测基线 31 件套(v19 30 件套 + 1 件增量 = AgentLens)+ 4 新 Substack(Rajiv ex-HuggingFace RAG Isn't Dead / AI Skills Conf 2026 / 2026 Roadmap / Mother of AI Project)。承接 v19 14+4+3+4+3+23+3+2+5+17+2+2+2+34+1+1+1+1+1+56+5+7+70+4+4+5 + 66 边界 → v20 14+4+3+4+3+23+3+2+5+17+2+2+2+34+1+1+1+1+1+56+5+7+70+4+4+5+1+1+1 + 66 边界,新增 = 0 主线 + 1 横切 + 0 共识 + 0 争议 + 3 开放问题 + 0 趋势 = 4 新信号(主要为 v19 三主线数字公开化与升格 + AgentLens 新增,实际净增量 3-4 信号)。