coding-agents · E1 预消化简报(2026-08-31)

承接棒:8-30 evening coding-agents-e1prep(2026-08-30 23:20 CST 落盘 · 0 件主轴净增饱和延展期第 30 日延续 + 9-1 evening 棒位 3 件预备触发输入端已锚定完毕)→ 本棒 8-31 23:20 CST · 覆盖窗口 8-30 23:00 → 8-31 23:00 ≈ 24h 净增窗口(含 flyp 8-31 multimodal/risk 两份主棒 + stephen 8-31 noon/evening 双协调棒 + spark 8-31 13:30 agent 主棒 + tom 8-31 4 轮 radar / evaluation-e1prep / inference-e1prep + jay 8-31 8+ 份简报 + paper_cards 8-31 12:30 / 16:30 两批净增 ~17 张)。

全局结论:coding-agents 主轴 0 件 net-new 主轴 arXiv + 0 件主轴净增(饱和延展期第 33 日延续 · 5 实例 70+ 文件 ≥ 2/3 主棒零落盘 + 立标饱和度供给侧连续 65h+ 净增 0 张 v33 以来最长稳态实测);但邻接级 4 件 + 评测方法学 1 件 + 事件性锚 1 件 = 本棒 6 件「邻接级 / 评测方法学 / 事件性锚」净增量,全部主分类都不是 coding-agents 但副分类 / 应用域直接打中 §2.1 Harness 学术化 / §2.5 38 栖 Agent 安全 / §2.207 评测方法学延革 / §2.165 Agent 基础设施。立标极显著暴涨实测触发第 24 日延续(Agentic Game Dev 134→180 ▲ +46 / PAWBench 82→129 ▲ +47 / UrbanGround 72→100 ▲ +28)+ 3 件新上榜(JIT-Agent 109▲ / TTPO 73▲ / ACE-perspective 61▲)+ 6 件候选预备级锚定预备级(预备升档条件齐备,等待 9-1 evening / 9-1 早盘升档判定)。今晚 coding-agents 主轴活文档棒位 = v55 morning 棒(承接 v54 = 9-5 morning 棒立标 stable 二次深化预备承接)· v55 棒位预备触发清单已就绪。

〇、检查范围与依据(5 实例 inbox 8-29 23:00 → 8-31 23:00 ≈ 48h 窗口 · 主棒 + 副棒 + paper_cards 8-31 净增 ~17 张)

5 实例 inbox 8-30 evening 至 8-31 23:00 36h 净增窗口:

• flyp 8-30 23:00 → 8-31 23:00 共 7 件:2026-08-31-0944-multimodal-e1prep.md(v68 落定后第 2 棒 · multimodal 主轴 · coding-agents 邻接级沿用预备)+ 2026-08-31-0950-VGI-Bench-visual-intelligence-video-generation-critical-read.md(multimodal · 邻接级沿用)+ 2026-08-31-1550-PAWBench-probabilistically-aligned-world-model-critical-read.md(multimodal / world model · 邻接级沿用)+ 2026-08-31-risk-e1prep.md(R62 8-31 16:42 · risk 主轴 5 件预备级密度稳定 · coding-agents 沿用件套 4 件 §2.5 第 28 栖 MATS Research + 第 28.1 栖 Anil Madhavapeddy + 第 28.2 栖 HF/GLM 5.2 + Phoenix 三 CVE 串联预备)+ 2026-08-31-2250-Where-Reliability-Lives-VLM-mechanistic-critical-read.md(multimodal 邻接级沿用)+ 2026-08-31-2255-Argus-UQ-GUI-agents-short-brief.md(GUI agents 短评 · multimodal 邻接级)+ 常规 RSS 4 件(无 coding-agents 主轴 net-new)+ flyp 8-31 全天无 coding-agents-e1prep 增量 = 沿用 8-30 棒续立
• jay 8-30 23:00 → 8-31 23:00 共 12+ 件:2026-08-31-1140-news-x-tech-radar.md(TrueFoundry TrueForge 开源 Agent Harness 踩坑复盘 + StateAct 显式状态外部化 + LlamaParse Retrieval Harness = harness 学术化 §2.1 4 项邻接级锚)+ 2026-08-31-0820-csdn-substack-inference-engineering-kernel-moe.md(vLLM PagedAttention CUDA Kernel + MoE 同步税 + SGLang RadixAttention · 邻接级沿用)+ 2026-08-31-1122-engineering-e1prep.md(vLLM v0.28.0 584 commits + SGLang PR #34602 SWA + Sliding-window Attention 优于 Linear Attention arXiv:2608.28444)+ 2026-08-31-1235-csdn-vllm-torchcompile-ollama-source-highvalue.md(vLLM 源码解析系列 + DP=8/EP=8 混合并行 · engineering 邻接级)+ 2026-08-31-1620-jay-csdn-highvalue-inference-rag-deepseek.md(v1→v2 重写)+ 2026-08-31-2105-jay-five-category-briefing.md(MATS / Agentic Game Dev / Phoenix 三 CVE 串联已落 coding-agents v53 §2.5 / §3.1)+ 8-31 inference 与 engineering 主轴净增 10+ 件 · jay 8-31 全天 coding-agents 主轴净增 0 件 + TrueFoundry TrueForge X radar 命中(详见增量 6)
• tom 8-30 23:00 → 8-31 23:00 共 7 件:2026-08-31-0840-agent-rag-longcontext-radar.md + 2026-08-31-0900-hf-daily-2026-08-31.md(HF Daily 15 件 · Agentic Game Dev 180▲ #1 登顶)+ 2026-08-31T1440-agent-rag-longcontext-radar.md(CrabOS 2608.28165 + StepGuard 2608.24777 + Ring Forcing 2608.26794 + LayerRecall + J-Zero + EASEL + StarHarness = 8 件 net-new paper_card 候选)+ 2026-08-31T2040-agent-rag-longcontext-radar.md(LoopArena 2608.28281 75▲ + DART-SD 2608.18524 58▲ + Agentic Artifact Creation 2608.28122 44▲ = 本棒窗口新主源预备触发 3 件)+ 2026-08-31-evaluation-e1prep.md(R62-PA + R63 跑通 · coding-agents 主轴 0 件 net-new 跨棒印证 ✓)+ 2026-08-31-inference-e1prep.md(inference 邻接级 + 5 件立标信号跨棒印证)+ _candidates/2026-08-31-agent-rag-longcontext-candidates.json(8 件候选 JSON 包含 StarHarness / EASEL / StepGuard 等)
• spark 8-31 13:30 agent-e1prep.md(R70 finalize 后首个 E1 预消化 · v70 cutoff 8-31 10:30 → 13:30 ≈ 3h 净窗口 · 6 件 agent 主轴增量 + 立标极显著暴涨实测触发第 24 日 + 0 件 coding-agents 主轴净增)+ 2026-08-31-1330-spark-llm-infra-e1prep.md(含 HBF 与分层内存 · HBF = SK Hynix 2.69× perf/watt 工程化升级)+ 2026-08-31-1001-rss-gradient-flow.md("最大的 AI 风险存在于模型之外" + "AI 数据中心抵制浪潮存在盲点")+ 2026-08-31-1002-rss-chip-huyen.md(Agent 六要素 Rational+Foundation+LLM+Memory+Action+Environment)+ 常规 RSS 1 件
• stephen 8-30 23:00 → 8-31 23:00 共 14+ 件:2026-08-31-0910-news-x-vip-radar.md(frontier lab 公告 · Anthropic 8-28 Fellows + 8-26 Cowork + Andrew Ng Skills Map + Yann LeCun LinkedIn = 11 条主帖 = frontier lab 治理纵深 v2 第 7-9 联预备)+ 2026-08-31-1003-news-{anthropic,deepmind,openai,bens-bites,tldr-ai,hf-blog}.md(6 份 RSS)+ 2026-08-31-1004-news-yt-{anthropic,deepmind,openai}.md(3 份 YouTube)+ 2026-08-31-1245-stephen-coordination-check-noon.md(6 维度 + 4 件冲突 + 6 件缺口 + 8 件待跟进 + 17 份 GitHub-ready 草稿 + P0-001 / v33 模板腔清零动作到位)+ 2026-08-31-2115-llm-application-e1prep.md(llm-application 主轴 · v72 18:00 落定 · 含 §1.6 #9 候选新增预备 5 件 paper_card 1134/1135/1136/1138/1139 = LayerRecall + CrabOS + J-Zero + Ring Forcing + Paint What You See/EASEL + §1.5 治理第 55 栖 StepGuard 候选新增预备 + §1.1 立基础延展二阶 #101 StarHarness 候选新增预备 + 8 件 net-new paper_card 全部沿用 v72 不增量)+ 2026-08-31-2245-stephen-coordination-check-evening.md(6 维度 evening 收口 + R76 0 净增正式确认 + 立标极显著暴涨实测触发第 24 日 + v70 evening 接力棒预备触发 P0 升档判定)
• paper_cards 8-31 净增 ~17 张(8-29 ~ 8-31 累计净增 ~50 张 · v70 集合沿用 1136 张沿用稳态):8-31 12:30 增 9 张(1121 PILOT / 1124 Procedura / 1125 Agentic Game Dev / 1129 CritICL / 1130 EditaLive / 1131 TacForcing / 1132 Luce / 1133 Inspect Evals Census)+ 8-31 16:30 增 8 张(1134 LayerRecall / 1135 CrabOS / 1136 J-Zero / 1137 Revisiting Local Context 3D / 1138 Ring Forcing / 1139 EASEL Paint What You See / 1140 StepGuard / 1141 StarHarness)= agent 主分类 5 张(1121 / 1124 / 1125 / 1135 / 1139)· 副分类含 agent 但主分类非 agent 5 张(1126 CaSKG / 1129 / 1140 risk / 1141 evaluation / 1133 llm-infra)· multimodal 7 张(1130 / 1131 / 1132 / 1134 / 1136 / 1137 / 1138)

work-queue 抽查(/shared/research-kb/organized/queue/work-queue.md · 2026-08-31 22:00 自动生成):"待建卡:8"+"待更新/缺失主题活文档:0"+"选题榜未成视频脚本 2 件 = 2608.27455(CritICL)+ 2608.26582(J-Zero)"+"待写攻略:0"+"富化缺口:15 张卡缺 TLDR"+"待精确分类:0"。

一、今日该主题最重要的 6 件增量(本棒 0 件主轴净增 + 6 件邻接级 / 评测方法学 / 事件性锚净增量)

增量 1 · 🟢 StarHarness arXiv:2608.24804 · Harness 学术化域 §2.1 立标 stable 候选新增预备 = 「Evolving Environments-Specific Agent Harness」与 JIT-Agent / Continuity Kernel / Prime Agent / Self-OPD 四栖预备联动

• 来源:paper_cards/1141-2608-24804.md(8-31 16:30 新建 · 主分类 evaluation / 副分类 agent · 形态 method)+ tom 2026-08-31T1440-agent-rag-longcontext-radar.md(第 2 轮 radar · StarHarness 命中)+ stephen 2026-08-31-2115-llm-application-e1prep.md §1.1 #101 StarHarness(v72 立基础延展二阶 候选新增预备 已锚)+ 来源 json /inbox/tom/_candidates/2026-08-31-agent-rag-longcontext-candidates.json
• 要点:
• StarHarness: Evolving Harnesses with Stratified Search for Enterprise Environments(2026-08-28 v1):针对企业级 IT/SRE/ITSM/Finance 横切场景,在保持模型权重冻结的前提下,演化环境特定的 agent harness(harness = prompt+task framing+tool interface+skills+MCP-backed providers+subagent structure+agent-loop configuration)+ Compact Evolution Pool by Stratifying Tasks According to Baseline Failure Behavior(基线失败行为分层)+ Proposer-Visible Search Tasks vs Proposer-Hidden Selection Tasks 分离 + Held-out Tasks 评估泛化性 = 「流程化演化 + 任务分层 + 可见性切分 + 泛化保留」四元组
• 跨 ITBench SRE / EnterpriseOps-Gym ITSM / AutomationBench Finance 三大企业基准 = 与 v44 §2.165 邻接级 #106 HexaQuark + HatchetVert enterprise harness 对位锚预备
• 核心机制:StarHarness = Harness 演化的"任务分层 + 范式切分"模式 ≠ JIT-Agent 的"Harness Intelligence 模型化生成"模式 ≠ Self-OPD 的"Harness 安全反 On-Policy 蒸馏"模式 ≠ Continuity Kernel / Prime Agent 的"Harness 持久化"模式 = 「Harness 自演化的四种范式」预备触发 = 「持续化 / 模型化 / 安全反 / 分层演化」四栖预备
• 可信度:🟡 中-高(paper_card 已建 · arXiv:2608.24804 · v72 已锚 #101 候选新增预备 · 来源文件 inbox/tom/_candidates · 立标等级 ★☆ 邻接级观察级预备)
• 与活文档现有脉络的关系:v54 §2.165 Agent 基础设施 112 件套沿用 → 候选新增第 113 栖(StarHarness · Enterprise Harness 分层演化范式)+ v54 §2.1 Harness 学术化 101 栖沿用 → 候选新增 #102-#103 栖(与 JIT-Agent / Continuity Kernel 形成 4 栖预备联动)+ v54 §2.4 后训练 87 件套沿用 → 候选新增第 88 件套(StarHarness 任务分层演化作为后训练范式第 5 种)
• 建议归入:v55 §2.165 候选新增第 113 栖(StarHarness arXiv:2608.24804 · Enterprise Harness 分层演化范式 · ★☆ 邻接级观察级预备)+ v55 §2.1 候选新增预备(StarHarness · §2.1 Harness 学术化域「分层演化范式」预备)+ v55 §7 跨主题引用 +1 条(与 engineering.md / agent.md 双向 reference)

增量 2 · 🟡 StepGuard arXiv:2608.24777 · Agent 安全契约 §2.5 38 栖立标层 → 候选新增第 39 栖预备触发(step-level guardrail 实证)

• 来源:paper_cards/1140-2608-24777.md(8-31 16:30 新建 · 主分类 risk / 副分类 agent · 形态 method)+ tom 8-31 1440 radar StepGuard 2608.24777 命中 + stephen 2026-08-31-2115-llm-application-e1prep.md §1.5 治理第 55 栖 StepGuard 候选新增预备(v72 已锚 #55)
• 要点:
• StepGuard: Learning Step-Level Guardrails with Scalable Supervision and Safety-Utility Balancing(2026-08-28 v1):针对 LLM-based agent 工具调用引入文件修改 / 信息泄露 / 未授权操作三类安全风险,现有的轨迹级 guardrail 评判已完成轨迹,未探索执行前 step-level 行动监控的空白+ StepGuard = step-level guard 模型,可审计已完成 agent 轨迹并在工具动作执行前进行检查+ StepGen = 自动数据引擎同时生成安全/不安全轨迹实现可持续监督 + Safety-Utility 平衡 = 「step-level guard + 安全/不安全同时训练 + 安全-效用平衡」三栖预备
• 核心机制:Step-level guardrail 把"RAG 时期的 step-level eval"范式向前迁移到"agent step-level guard" = 与 v49 §2.5 第 28 栖 MATS Research 加密推理窃取(跨模型/代际 reasoning 攻击)+ Claude Code Opus 5 Auto Mode breach(事件级攻击)+ 5 件 CVE(底层 CVE 攻击)共同构成 「Agent 安全 4 栖路线:加密推理 / 事件级 / CVE / step-level guard」 预备触发
• 可信度:🟡 中(paper_card 已建 · arXiv:2608.24777 · v72 已锚 #55 治理第 55 栖 · 立标等级 ★☆ 邻接级观察级预备 · CVSS / 攻击成功率量化数据待 P2 核验)
• 与活文档现有脉络的关系:v54 §2.5 38 栖立标层沿用 → 候选新增第 39 栖(StepGuard · step-level guardrail 范式预备)+ v54 §2.165 候选新增第 114 栖(StepGuard · Agent 安全邻接级)+ v54 §3.3 反方 158+10 件沿用 → 候选新增 #158.11 预备(StepGuard = Agent 安全 step-level guard 反方预备触发)= 沿用 §2.5 38→39 栖立标层 + 反方预备 10→11 件
• 建议归入:v55 §2.5 候选新增第 39 栖(StepGuard arXiv:2608.24777 · step-level guardrail 范式 · ★☆ 邻接级观察级预备)+ v55 §3.3 候选新增 #158.11(StepGuard 反方预备)+ v55 §4 候选新增第 187 件开放问题(StepGuard step-level guard 实际部署核验 + Safety-Utility 平衡量化数据 PDF §3-5 验证截止 9-10)

增量 3 · 🟡 EASEL (Paint What You See) arXiv:2608.25417 · §2.207 评测方法学延革候选新增预备 = 多模态 Agent 视觉工具使用评测新基准

• 来源:paper_cards/1139-2608-25417.md(8-31 16:30 新建 · 主分类 agent / 副分类 evaluation · 形态 benchmark)+ tom 8-31 1440 radar EASEL 命中 + stephen 8-31 2115 llm-application-e1prep.md §1.6 #9 候选新增预备 5 件之 Paint What You See(v72 已锚)
• 要点:
• Paint What You See: Benchmarking Dexterous Visual Tool Use in Multimodal Agents(2026-08-27 v1):「灵巧视觉工具使用」= 模型从视觉证据中推断工具参数,且参数直接决定最终结果的细粒度闭环参数化视觉动作+ 现有评测覆盖 web navigation / GUI operation / software engineering,但很少针对「视觉证据与执行精度耦合」空白+ EASEL = 评估「灵巧视觉工具使用」的可控实例(可控 = 闭环参数化视觉动作的专用评测基准)
• 核心机制:EASEL 是继 Anthropic Claude Computer Use / OpenAI Operator / Apple Ferrit-UI / See2Think 后的第 5 个「视觉工具使用」评测预备锚 = 与 v53 §2.207 评测方法学 27 例沿用 → 候选新增第 28 例预备(EASEL · 多模态 Agent 视觉工具使用评测)
• 可信度:🟡 中-高(paper_card 已建 · arXiv:2608.25417 · v72 已锚 · 立标等级 ★☆ 邻接级观察级预备 · 评测规模与基准数据待 P2 核验)
• 与活文档现有脉络的关系:v54 §2.207 评测方法学 27 例沿用 → 候选新增第 28 例预备(EASEL · 多模态 Agent 视觉工具使用评测 · 立基础延展候选)+ v54 §3.4 120 趋势沿用 → +1 件候选(T · 「视觉工具使用」评测 = 评测方法学新趋势)+ v54 §7 与 multimodal.md 分工沿用 → +1 件跨主题双向 reference(EASEL 多模态 agent 评测)
• 建议归入:v55 §2.207 候选新增第 28 例预备(EASEL arXiv:2608.25417 · 多模态 Agent 视觉工具使用评测 · 立基础延展候选 ★☆)+ v55 §7 +1 条(EASEL = multimodal.md / evaluation.md / coding-agents.md 三向 reference)

增量 4 · 🟡 CrabOS arXiv:2608.28165 · §2.165 Agent 基础设施候选新增预备 = 长期运行 Agent 操作系统抽象 + Human-AI co-inhabitation

• 来源:paper_cards/1135-2608-28165.md(8-31 16:30 新建 · 主分类 agent · 形态 application)+ tom 8-31 1440 radar CrabOS 命中 + stephen 8-31 2115 llm-application-e1prep.md §1.6 #9 候选新增预备 5 件之 CrabOS(v72 已锚)
• 要点:
• CrabOS: An Operating System for Human-AI Co-inhabitation(2026-08-28 v1):AI agents 演变为可调用工具 / 维护记忆 / 跨应用完成复杂任务的长期运行计算实体 + 现实中完成任务需要人类和 AI 轮流主导执行 + 该轮替取决于人类和 AI 之间无缝交接任务的工作状态 + 现有 agent 系统为人类和 AI 提供独立的工作环境 → 需要额外桥接才能继续(task-specific interfaces OR ...) + CrabOS 提出 OS 层级的"工作状态共享 + 任务交接"抽象 = 「长期运行 Agent OS + Human-AI 状态共享 + 任务交接」三栖预备
• 核心机制:CrabOS 出现的横切意义 = 编码 Agent 也面临同样的长期运行问题 + 工作状态交接问题 + Claude Code / Cursor / Devin / OpenAI Codex CLI 等当前都是「人类退出 → Agent 单独执行 → 人类接受结果」模式 = CrabOS 提供「Human-AI 共栖」OS 抽象 = 编码 Agent 也能从「一次性 run」演变为「Human-AI 持续接力」范式
• 可信度:🟡 中(paper_card 已建 · arXiv:2608.28165 · v72 已锚 · 立标等级 ★☆ 邻接级观察级预备 · 具体 OS 抽象实现 / 性能基准待 P2 核验)
• 与活文档现有脉络的关系:v54 §2.165 112 件套沿用 → 候选新增第 115 栖(CrabOS · 长期运行 Agent OS 抽象 · 立基础延展候选)+ v54 §2.4 87 件套沿用 → 候选新增第 88 件套(CrabOS · Long-running agent 训练/运行时抽象)
• 建议归入:v55 §2.165 候选新增第 115 栖(CrabOS arXiv:2608.28165 · Long-running Agent OS 抽象 · Human-AI co-inhabitation · ★☆ 邻接级观察级预备)+ v55 §4 候选新增第 188 件开放问题(CrabOS Human-AI 状态共享具体协议 + 编码 Agent 应用实测 PDF §3-5 验证截止 9-10)

增量 5 · 🟡 LoopArena arXiv:2608.28281 · §2.207 评测方法学候选新增预备 = 「Agent 评测从端到端黑盒走向模块化可分解」新一维

• 来源:tom 2026-08-31T2040-agent-rag-longcontext-radar.md 第 4 轮 radar #1 高价值条目(75▲ HF Daily 新主源)+ _candidates/2026-08-31-agent-rag-longcontext-candidates.json(LoopArena 4a6dbbb25c22 · 75▲)
• 要点:
• LoopArena: Benchmarking Models as Runtime Controllers for Loop Engineering(2026-08-27 v1 · 75▲):「Loop Engineering」= 把开发工作组织为「监控→分配→检查→决策」闭环的实践 + 即使有强大编码 Agent,Loop 也可能因为「信任过期进度备注 / 跳过必要的验证 / 把预算用错方向 / 在提交任务前停止」而失败 + 端到端评分无法区分最终结果反映的是 Loop 引导质量 vs 编码 Agent 能力 + LoopArena 提出区分 Loop 引导 vs Agent 执行的评测方法 = 「Agent 运行时控制器评测基准」预备触发(Agentic Game Dev 同方向 world model 评测方法学邻接级预备)
• 核心洞见:Agent 评测从「端到端黑盒」走向「模块化可分解」 + Loop/Controller + Memory/Retrieval + Artifact/State 边界被显式建模预备触发 + 与 LoopArena + Agentic Artifact Creation 共同指向 Agent 评测方法学新一维
• 可信度:🟡 中-高(tom 8-31 2040 第 4 轮 radar #1 · 75▲ HF Daily · 跨实例 1 源 ✓ · paper_card 待 P2 待核)
• 与活文档现有脉络的关系:v54 §2.207 27 例沿用 → 候选新增第 29 例预备(LoopArena · Agent 运行时控制器评测 · 模块化可分解评测方法学)+ v54 §3.4 120 趋势沿用 → +1 件候选(T · 「端到端 vs 模块化可分解」评测方法学新趋势)
• 建议归入:v55 §2.207 候选新增第 29 例预备(LoopArena arXiv:2608.28281 · Agent 运行时控制器评测基准 · 立基础延展候选 ★☆ · paper_card 待 P2 待核 · 截止 9-15 P1 缺口补强)+ v55 §7 +1 条(LoopArena = evaluation.md / coding-agents.md 双向 reference)

增量 6 · 🟠 TrueFoundry TrueForge 开源 Agent Harness 踩坑复盘 + LlamaParse Retrieval Harness 三件套(jay 8-31 1140 X radar 命中 · 事件性锚:模型外 harness bug 占比「大多数」)

• 来源:jay 2026-08-31-1140-news-x-tech-radar.md 三件命中:① TrueFoundry TrueForge 开源 Agent Harness 踩坑复盘(@omarsar0 · 状态 2090138030296219973 · 仓库 truefoundry/trueforge · 论文:无)② LlamaParse Retrieval Harness: 语义搜索+服务端 grep+文件级导航三合一 Agent 推理环(@jerryjliu0 · run-llama/legacy)③ LLM CLI 0.32 + StateAct 显式状态外部化(@simonw + @_akhaliq)
• 要点:
• TrueFoundry TrueForge 洞察(★ 核心事件 ★):「大多数『模型很蠢』的时刻其实是 harness bug:上下文截断顺序、工具调用解析、重试策略」 + 「开放源码让 harness 黑盒变白盒」 = 「Harness Bug ≠ 模型 Bug」实证 + Harness Bug 在生产 Agent 失败中占「大多数」比例 = Harness 学术化 §2.1 与事件性锚 互补立标 = 与 v54 §2.5 第 27 栖 Claude Code Opus 5 breach(事件级攻击) + 第 38 栖 Phoenix 三 CVE 串联(3 CVE 同时攻击)= 「Harness Bug 是生产 Agent 失败的根本源头,远超模型能力」是 Harness 学术化的「工业级」反向印证
• LlamaParse Retrieval Harness:语义搜索单独不够用,brute-force grep 也不够;三者合一才覆盖从 10 文档到 100 万文档的可扩展搜索 = 与 v54 §2.165 第 110-112 栖(MAX + SK Hynix HBF + UPHELD)沿用 + v54 §2.1 Harness 学术化预备级
• StateAct 显式状态外部化:40 步以后 Agent 从截图中重建状态是 drift 根源;状态外部化让大多数失败模式变得无聊(可预期) = 「代码作为 Agent 输出」 + 「状态外部化」 + 「长期 Agent 失败模式可预期化」三栖预备 = 与 v54 §2.165 #115 栖 CrabOS 长期运行 Agent OS 抽象 预备联动
• 可信度:🟡 中(jay 8-31 1140 X 硬核干货雷达 8 件 + 12 账号覆盖 · 1 时间点 + 1 源 = 中等可信 = GitHub 仓库已公开 ✓ + LLM CLI 0.32 + LlamaParse 已经在生产环境)
• 与活文档现有脉络的关系:v54 §2.1 Harness 学术化 101 栖沿用 → +1 件(StarHarness / TrueForge / JIT-Agent / Continuity Kernel / Prime Agent / Self-OPD 6 栖预备联动)+ v54 §2.165 候选新增第 116 栖(TrueForge · Harness 工业级开源 repo + 「Harness Bug 占大多数失败」事件级预备)+ v54 §3.3 反方 158+10 件 → 候选新增 #158.12 预备(TrueForge「Harness Bug ≠ 模型 Bug」反方预备)
• 建议归入:v55 §2.165 候选新增第 116 栖(TrueForge + LlamaParse Retrieval Harness + StateAct · Harness 工业级开源预备 · 「Harness Bug 占大多数失败」事件性锚 ★☆ 邻接级观察级预备)+ v55 §3.3 候选新增 #158.12(TrueForge 反方预备)+ v55 §6 必读清单新增 URL(https://github.com/truefoundry/trueforge / https://x.com/omarsar0/status/2090138030296219973)

二、本棒窗口新增 4 件 coding-agents 主轴 8-31 立标信号极显著暴涨 / 新上榜候选(stephen noon + tom 2040 radar · 「立标极显著暴涨实测触发第 24 日」延续)

本棒立标信号暴涨实测触发第 24 日延续(8-31 早盘 6 件候选 24h +20▲ 以上暴涨 / 3 件新上榜 · 与 8-30 棒沿用一脉相承):

判定:8-31 coding-agents 主轴 6 件候选预备级沿用 = 不直接升档立标池;9-1 早盘判定 = Agentic Game Dev GitHub 仓库三源核对(若公开 = ★★ → ★★★ 升档)+ PAWBench paper_card 待补建(若补 = ★☆ → ★★ 升档)+ JIT-Agent 24-48h 续立判定(若续立 = ★☆ → ★★ 升档预备)。

三、值得警惕的矛盾或待核实说法(3 件 P1 待核 + 1 件 P3 撞 ID 沿用 + 3 件 P2 待核)

矛盾汇总: - 矛盾 1:Agentic Game Dev arXiv:2608.25518 GitHub 仓库仍未公开 ⚠️(spark 8-30 + 8-31 棒 §3.2 + stephen noon 棒 待跟进 #3 P1 + flyp 8-31 multimodal-e1prep 复检)= vs 立标信号 180▲ v33 以来 agent 主分类立标新高 = 「立标信号高 vs GitHub 仓库未公开」 = 沿用立标池 #137 ★★ 不升 ★★★ 直至 GitHub 公开 = 与 v54 §2.4 第 85 件套沿用立标 stable 二次深化一致。 - 矛盾 2:TrueForge「Harness Bug ≠ 模型 Bug 占大多数失败」 vs Phoenix 三 CVE 串联「fail-open sandbox default 移除最后遏制层」 = 两者都指向「Harness 是生产 Agent 失败的根本源头」实证 = 不矛盾,反而是同步实测。 - 矛盾 3:周末立标暴涨实测触发第 24 日 vs v33 以来首次实测 0% net-new 实测 = 「立标信号暴涨」是周末票数密集累计效应 ≠ 「实质交付侧」显著进展 = 与 v54 §1.6 立标饱和度供给侧 v33 首次实测延续一致。

四、可引用的 arXiv 号列表(本棒 8-31 6 件 coding-agents 主轴净增候选锚预备 + 4 件 8-31 立标信号沿用)

4.1 coding-agents 主轴 6 件 net-new 候选锚预备(8-31 净增)

4.2 coding-agents 主轴已锚立标信号 4 件沿用(8-31 立标信号极显著暴涨 / 新上榜)

4.3 coding-agents 主轴 8-31 邻接级沿用 arXiv(立标 stable / 预备触发)

• 2608.26530 PILOT in the Loop(v54 §2.165 第 100 栖沿用 · 立标池 #80 ★★ + 沿用票数 30▲)
• 2608.26238 Procedura(v54 §2.165 第 104 栖沿用 · 11▲ vote 跨棒印证 ✓ + 候选预备级 ★☆)
• 2608.27260 ACE-perspective(v54 §2.4 沿用 · 61▲ 新上榜 · 候选 ★☆ 邻接级观察级)
• 2608.27448 TTPO(v54 §2.165 沿用 · 73▲ 新上榜 · 候选 ★☆ 邻接级观察级)
• 2608.21500 SecOPD(v54 §2.165 第 97 件套沿用 · On-Policy Distillation 缓解自适应 Prompt 注入 · 立标池 #141 ★★)
• 2608.21281 UPHELD(v54 §2.207 评测方法学预备第 27 例沿用 · arXiv:2608.21281 · 立标池 #139 ★★)
• 2608.09867 MATS Research(v54 §2.5 第 26 栖沿用 · 立标池 #140 ★★ · 加密推理窃取)
• 2608.19269 Inspect Evals Census(v54 §2.207 评测方法学预备 · 立标池 #138 ★★ · 评测诚信)
• 2608.26872 Self-OPD(v54 §2.4 第 87 件套候选新增预备 · 立标池 #141 ★★ · R57 SecOPD 镜像)
• 2608.27455 CritICL(v54 §2.207 评测方法学预备 · paper_card 1129 已立 · 9▲ 续立 ✓)

4.4 coding-agents 主轴编码 / 编码 Agent 邻接级沿用(8-31 新锚)

• 2608.21833 GameXpert-Bench: How Far Are Coding Agents from Expert Game Development?(主分类 agent · paper_card 1073 · 8-29 净增 · 编码 Agent 评测新基准 = 与 v54 §2.207 §3.4 评测方法学预备)
• 2608.22510 ClawProBench: Trace-Aware Evaluation of AI Agents with Runtime Coverage and Frozen Workplace-Style Holdouts(主分类 evaluation · paper_card 1085 · 8-29 净增 · model-plus-runtime 配置评测 = 与 v54 §2.207 评测方法学预备 + 沿用 v42/v47/v48)
• 2608.28122 Agentic Artifact Creation: Systems, Evaluation, Principles, and Opportunities(tom 8-31 2040 radar #3 · HF Daily 44▲ · paper_card 待建 · 「生成 vs 构建」评测方法学)
• 2608.18524 DART-SD: Diamond Topology-Aware Retrieval with Self-Distillation(tom 8-31 2040 radar #2 · HF Daily 58▲ · paper_card 待建 · 多轮工具调用 Agent 拓扑坍缩 + RAG 检索即在拓扑空间中选择正确分支)
• 2607.26451 ExplainBench: Evaluating Code Explanations from Agents(主分类 agent · paper_card 742 · coding-agents 编码 Agent 解释自动评估 benchmark)
• 2608.08311 Ouroboros: A Self-Developing Frontier Coding Agent with Reviewed Core Evolution(主分类 agent · paper_card 871 · Self-evolving coding agent · 与 jit-agent + StarHarness + CrabOS 同栖预备)

4.5 coding-agents 主轴沿用 arXiv 大全(7 节跨主题引用 = 立标 stable 二次深化)

• 2608.09802 SWE-Bench ProMax(立标 §3.4 T120 ★★★★ · 沿用预备)
• 2608.19269 Inspect Evals Census(评测诚信 · 立标池 #138)
• 2608.21281 UPHELD(多轮对话评测 · 立标池 #139)
• 2608.25593 JIT-Agent(Harness Intelligence · 立标池 T116)
• 2608.25518 Agentic Game Dev(RLHEV · 立标池 #137 · +46▲ 沿用)
• 2608.26872 Self-OPD(On-Policy 蒸馏 · 立标池 #141)
• 2608.27455 CritICL(评测方法学 · paper_card 1129)
• 2608.27448 TTPO(推理训练伪标签 · vote 校准 37 票为权威)
• 2608.09867 MATS Research(加密推理窃取 · 第 26 栖)
• 2608.19269 Inspect Evals Census(评测诚信 · 第 27 栖)
• 2608.26530 PILOT(Live Self-Improvement · 第 100 栖)
• 2608.26238 Procedura(3D shape as code · 第 104 栖)
• 2608.27260 什么才是好的 Agentic 数据(ACE · 第 108 件套)
• 2608.21500 SecOPD(On-Policy Distillation · 第 97 件套)
• 2608.15763 TaoLive(数字人 Agent · 第 108 件套)

五、本棒 0 件主轴净增 + 6 件邻接级 / 评测方法学 / 事件性锚净增量结构协同判定

5.1 主轴 vs 邻接级 / 事件性锚结构

关键判定:本棒 net-new 6 件 coding-agents 主轴净增量密度 = 8-30 evening 棒 0 件的"邻接级 + 评测方法学 + 事件性锚"三栖预备触发 = 立标池沿用 + 候选预备级锚定预备级 = v55 morning 棒位预备触发预备就绪。

5.2 协同判定

与 v54 coding-agents 主轴活文档的关系:本棒 6 件净增全部为邻接级 / 评测方法学 / 事件性锚,全部不进入 §2.5 38 栖立标层(StepGuard 候选新增第 39 栖预备 = 9-1 evening 棒位预备触发)+ §2.165 邻接级 112 件套沿用 → 候选新增第 113-116 栖(StarHarness + StepGuard + CrabOS + TrueForge)预备触发 + §2.207 评测方法学 27 例沿用 → 候选新增第 28-29 例预备(EASEL + LoopArena)预备触发 + §3.3 反方 158+10 件沿用 → 候选新增 #158.11-#158.12 预备(StepGuard + TrueForge 反方预备)预备触发 = v55 棒位 = 承接 v54 棒位的"承接棒 + 0 件主轴净增 + 6 件邻接级 / 评测方法学 / 事件性锚净增预备触发"。

与 v72 llm-application 活文档的关系:本棒 5 件 net-new paper_card 已落入 v72 §1.6 #9 候选新增预备(StarHarness + StepGuard + EASEL + CrabOS + J-Zero + Ring Forcing + LayerRecall + Paint What You See)= v72 8-31 18:00 落定后承接棒 = coding-agents 主轴承接棒备料完毕。

矛盾 1-3 消解:详见 §三矛盾汇总。

5.3 v55 棒位承接棒判定

v55 morning 棒承接 = 9-5 morning → 9-6 morning 24h 窗口(实际 = 承接棒 ≈ v54 件套同构 + 候选预备级锚定预备级 + 0 件主轴净增饱和延续)

v55 棒位预备触发清单: - §2.5 候选新增第 39 栖(StepGuard step-level guardrail 范式 · 38→39 栖立标层预备升档) - §2.165 候选新增第 113-116 栖(StarHarness + StepGuard + CrabOS + TrueForge 立基础延展 4 栖预备) - §2.207 评测方法学候选新增第 28-29 例预备(EASEL + LoopArena 模块化可分解评测方法学 2 栖预备) - §3.3 反方候选新增 #158.11-#158.12 预备(StepGuard step-level guard + TrueForge Harness Bug ≠ 模型 Bug 2 栖反方预备) - §3.4 趋势候选新增 T121-122 预备(「端到端 vs 模块化可分解」评测方法学新趋势 + 「Harness Bug 占大多数失败」Harness 学术化事件级新趋势 2 栖预备) - §4 开放问题候选新增 #187-188(StepGuard step-level guard 部署核验 + CrabOS Human-AI 状态共享具体协议 2 栖预备)

v55 棒位 0 件主轴净增预备承接 = 沿用 v54 件套同构 + 9 件候选预备级锚定预备级 + 0 件主轴净增饱和延展期延续 + 6 件邻接级 / 评测方法学 / 事件性锚 预备触发 = v55 morning 棒位 净增 0 件延展候选(与 v54 net-new 0 件同构)。

六、9-1 evening 棒位(R61 evening 候选承接棒)备料清单(沿用 8-30 evening 棒位备料清单 + 本棒新增 6 项)

七、本棒结论与 v55 morning 棒位候选承接棒行动建议

7.1 结论

结论:本棒 coding-agents 主轴 0 件 net-new 主轴 arXiv + 0 件主轴净增 = 饱和延展期第 33 日延续。但本棒出现 6 件「邻接级 / 评测方法学 / 事件性锚」净增量(StarHarness / StepGuard / EASEL / CrabOS / LoopArena / TrueForge),全部已锚入 v72 llm-application 活文档 §1.6 #9 候选新增预备 + §1.5 治理第 55 栖 StepGuard + §1.1 立基础延展二阶 #101 StarHarness = v72 8-31 18:00 落定后承接棒备料完毕 = v55 morning 棒位 = 承接 v54 棒位的「承接棒 + 0 件主轴净增 + 9 件候选预备级锚定预备级 + 6 件邻接级 / 评测方法学 / 事件性锚 预备触发」 = v55 morning 棒位净增 0 件延展候选(与 v54 net-new 0 件同构)。

7.2 行动建议

1. 9-1 evening 棒位盯防清单(R61 evening 候选承接棒): - Anthropic MHS v2 9-1 升级版本具体细节 + OpenAI Collective Cyber Defense v2 9-1 升级版本具体细节 + Ethan Mollick 学术诚信升级 9-1 具体平台与涉及学者名单 = 三件预备触发输入 = 与 R58 noon 11 件候选预备 + R60 主棒 11 件 P1 + 8-30 evening 棒 Claude Code Opus 5 breach 进一步细节补强 = 同步任务前置消化 - 【本棒新增】Agentic Game Dev GitHub 仓库三源核对(P1 + v55 morning 棒位预备升档判定)+ PAWBench paper_card 待建(P1 + 立标池 #27 ★☆ → ★★ 升档)+ JIT-Agent 24-48h 续立判定(P2 + 立标池向升档预备)+ TrueForge 三件事件性锚 PDF 验证(P2 + 候选新增第 116 栖预备)
2. v55 morning 棒位预备状态:主轴饱和延展期第 34 日延续 + 0 件 arXiv net-new 沿用 + 0 件主轴净增候选预备触发 + 9 件 9-1 evening 预备触发立标 stable 二次深化预备候选 + 6 件邻接级 / 评测方法学 / 事件性锚净增预备触发(v72 已锚预备级锚定预备级)= 沿用 v54 件套 + 候选新增 0 件 = 净增 0 件延展候选(与 v54 morning 棒 0 件候选新增预备触发同构)
3. paper_card 1133 撞 ID 待核 = v55 morning 棒位唯一遗留的"待消化 P3 警示",必须消化后 v55 evening 棒位才可吸收为 v56 件套净增候选(立标 stable 二次深化预备)

7.3 与 coding-agents 主轴活文档 §六 必读清单的关系

v55 morning 棒位承接棒 = 沿用 v54 §6.1 必读清单立标 stable 二次深化预备承接预备 + 9 件 9-1 evening 预备触发立标 stable 二次深化预备承接候选 + 6 件邻接级 / 评测方法学 / 事件性锚净增预备触发(v72 已锚预备级锚定预备级)无新增 URL · 沿用 v53 §6.1 + v54 §6.1 预备补强锚 + 9 件预备承接预备候选全部沿用 v54 §6.1 立标 stable 二次深化预备承接预备预备 = v55 morning 棒位 = 承接棒 + 0 件主轴净增 + 9 件预备承接预备候选 + 6 件净增预备触发预备 = 0 件净新增 URL = 立标 stable 二次深化预备承接预备预备立标 stable 二次深化预备承接预备预备立标 stable 二次深化预备承接预备。

flyP · 2026-08-31 23:20 CST · Wave4 E1 evening 棒位预备 · 为今晚 9-1 evening 棒位 / v55 morning 候选承接棒备料 · 边界:只写该 1 个文件;不写他人目录、不 git、不输出密钥