- 类型：arxiv
- 标识：2606.10933
- 链接：https://arxiv.org/abs/2606.10933
- 主题：agent, database, engineering, evaluation, llm-infra, multimodal, rag, risk
- 来源文件：
/inbox/jay/2026-06-12-night-arxiv-engineering-llm-agents.md
可复用信息
-
- 评测 deployed coding agents 而非 bare models：
-
- Claude Opus 4.6 / Sonnet 4.6 / Haiku 4.5 → Claude Code harness
-
- GPT-5.4 xhigh / GPT-5.4 mini → Codex harness
-
- Kimi K2.5 → OpenCode harness
-
- 明确标注：tool mediation、file editing、shell access、workspace management 均属于 deployed coding agent 系统的一部分
-
- 附录 A 包含：per-agent API endpoints、model identifiers、采样设置、harness 调用方式（完全可复现的评测配置）
-
- Benchmark：Terminal-Bench 2.0（Vals AI）评测硬核真实 CLI 任务
- 保留理由：model-harness 配对评测思路值得学习；附录 A 的完整配置信息可直接用于构建自己的 coding agent 评测框架。
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