Tom 文献雷达 · AI Agent / RAG / 长上下文 · 2026-08-26 第一期
本期候选（7条，去重后）
| # | 来源 | 标题 | 标签 |
|---|---|---|---|
| 1 | arXiv | The Compaction Cliff in Long-Running AI Agent Memory | agent, memory |
| 2 | arXiv | LongWoF-Bench: Evaluating EvoMap Genes for Verifiable Long-Workflow Tasks | benchmark |
| 3 | arXiv | The Laws of Context Allocation: Causal Measurement in Generative Search | rag, benchmark |
| 4 | arXiv | ClawProBench: Trace-Aware Evaluation of AI Agents on OpenClaw | agent, benchmark |
| 5 | HF Daily | AutoResearch: Insight In, Hallucination Out | agent |
| 6 | HF Daily | Quantization-Aware Healing: Recovering 4-Bit LLMs | long-context |
| 7 | Substack | Claw-Eval 2026 & WildClawBench 更新速览 | agent, benchmark |
⭐ 高价值条目（4条）
1. The Compaction Cliff in Long-Running AI Agent Memory
来源： arXiv · 2026-08-24 | 标签： agent, memory
Agent 的 /compact 压缩命令会同时总结安全规则（safety rule）和情节日志（episodic log），导致安全规则内容快速退化。在 20 个生产 Agent 配置上测试：Claude Code 的 /compact 在 Sonnet 4.6 上，一次压缩后安全规则仅保留 53%，五次压缩后仅剩 10%。作者提出 Knowledge Triage 框架：按类型对记忆行分类，每类走独立保留策略，三类确定性算子分别处理三类上下文。
要点： 这是第一个系统量化 Agent 长期运行中安全规则退化问题的研究；与昨日雷达中的 δ-mem 直接互补（δ-mem 解决记忆容量，Compaction Cliff 解决安全退化）；适合作为 Agent 生产部署的红队检查项；Knowledge Triage 可作为记忆模块设计的参考架构。
2. LongWoF-Bench: Evaluating EvoMap Genes for Verifiable Long-Workflow Tasks
来源： arXiv · 2026-08-23 | 标签： benchmark
提出 EvoMap：将 verifier 确认的执行轨迹固化为结构化 Gene，从而实现跨 run 的经验复用。LongWoF-Bench 含 778 个机器生成 + 人工精选任务，评估 Agent 在相互依赖约束下执行长流程的能力。结果显示 EvoMap 可将成功率从基线的 ~30% 提升至 ~70%。
要点： 解决"每次运行都从零摸索"的问题；Gene 化经验是 Agent 长期记忆之外的另一条复用路径；对复杂多步 Agent 系统的 benchmark 设计有参考价值；2026-08-23 很新，值得跟进。
3. The Laws of Context Allocation: Causal Measurement and Closed-Loop Orchestration in Generative Search
来源： arXiv · 2026-08-24 | 标签： rag, benchmark
RAG 有两大瓶颈：证据利用测量不准，以及 context budget 分配次优。作者揭露"诊断幻觉"：标准相关性代理在 hard negatives 上完全失效。提出因果 leave-one-out probe 精确测量 LLM 对单条证据的依赖，并证明 context budget 与生成质量之间存在非线性递减关系。沙箱实验表明最优 budget 远小于直觉值。
要点： 对 RAG 系统的 context window 利用率优化有直接指导意义；hard negatives 的诊断幻觉问题是做 RAG 评测时容易被忽视的坑；适合作为 RAG pipeline 调优的论文参考。
4. ClawProBench: Trace-Aware Evaluation of AI Agents with Runtime Coverage
来源： arXiv · 2026-08-23 | 标签： agent, benchmark
现有 Agent benchmark 只评估最终答案，但 Agent 的失败点分布在：证据获取、运行时路由、安全边界、重复执行等环节。ClawProBench 在 OpenClaw 运行时上构建 102 场景的全量评测，定义了"declared model-plus-runtime configuration"作为评估单元。
要点： 这是直接在 OpenClaw 上构建的 benchmark，与 Tom 直接相关；trace-aware 评测比 answer-only 评测更能定位真实失败点；102 场景覆盖 workspace/browsing/memory/messaging/scheduling/skills/subagents 全链路；OpenClaw 社区的 benchmark 基础设施值得关注。
附：其余候选简注
- AutoResearch（HF · votes:8）：双阶段自主研究系统，Idea Generation × Idea Execution，2026-08-22。适合了解端到端 Agent 研究工作流设计。
- Quantization-Aware Healing（HF · votes:9）：4-bit 量化 LLM 在 long-context 场景下推理退化后的后训练恢复方案，2026-08-20。涉及长上下文质量与量化压缩的权衡，适合做端侧 Agent 部署的参考。
- Substack Claw-Eval 2026（AlphaSignal / BenchLM）：2026 年 agent benchmark 排行榜汇总，WildClawBench 更新，Kimi K2.7 46.9% @ KimiClaw-24/7。适合快速了解当前 leaderboard 格局。
生成时间：2026-08-26T08:40 CST | Tom 文献雷达轻量版