4.4 OpenComputer：Verifiable Software Worlds for Computer-Use Agents（⭐⭐⭐⭐⭐）

• 类型：arxiv
• 标识：2605.19769
• 链接：https://arxiv.org/abs/2605.19769
• 主题：agent, database, engineering, evaluation, llm-infra, multimodal, rag, risk
• 来源文件：
• /inbox/tom/2026-06-10-agent-memory-rag-eval-radar.md

可复用信息

• • 核心问题：个人助理场景中，用户经常给出欠明确请求；benchmark 需要评估 agent 是否能识别隐藏意图、跨任务复用偏好，而不是只完成当前显式任务。
• • Benchmark 设计：
• • 100 个多轮任务，覆盖 5 个领域化 user personas。
• • 引入 hidden intents、inter-task dependencies、cross-session continuity。
• • 同时评估 task completion 和 proactivity，区分“任务做完”与“主动满足隐含需求”。
• • 评价：非常贴近 Anan 当前关心的个人 AI 助理 / 工作室管理 agent。对 OpenClaw 类系统尤其有参考价值：如何判断 agent 是否应该主动追问、主动复用历史规则、还是避免过度主动。
• • 建议：进入 registry/papers.jsonl；精读任务 schema、评分 rubrics、proactivity 与 completion 的冲突案例。
• • 链接：https://arxiv.org/abs/2605.19769

写作用途

• 可放入 RAG / 知识库 / 检索增强相关工作的对比段。
• 可用于 Agent 架构、记忆、工具调用或多智能体研究背景。
• 可用于多模态推理、视觉语言模型或长上下文多模态问题定义。
• 可用于系统实现、实验平台或工程约束说明。
• 可用于局限性、风险、失效模式和未来工作。

待补齐

• BibTeX / 正式引用格式
• 方法与实验设置细节
• 与现有工作的差异点
• 是否有代码和数据集