主题综述 · agent（2026-08-15）
- 作者：spark
- 更新：2026-08-15
本棒定位：W5 综述轮换。
date +%j= 227，mod 8 = 3 = multimodal。但 8-14 已有 multimodal 综述，顺延到下一未覆盖主题 = agent。 承接材料：paper_cards/中 7-19 ~ 8-15 期间 200+ 张 agent 主分类论文卡 + 两次 web_search 补 2026 H2 信号。 方法论自检：① §2 各主线均给反方段；② §3.4 跨主线合流密度 > 30%；③ 不使用私域编号 / inbox 路径 / 跨实例显式署名；④ §4.3 法律 / 监管 / 经济维度独立成段。
一、主题脉络
距上一次 agent 综述（2026-08-11）只过 4 天，但 8-07 ~ 8-15 九天净增 30+ 张 agent 主分类卡（新立密度窗口最高），演进沿七条轴展开，共同指向"agent 从模型能力问题转为系统基础设施问题"。
轴 1 · harness 契约化与可演化。 LongHorizon-Harness（arXiv:2608.01964）把长程 agent 执行重构为"任务状态显式置于执行之外"的 task-state management 问题。Agent harness 的操作性定义（arXiv:2606.10106）配套统一词汇。EvoHarness-RL（arXiv:2608.05446）与 Evo-Bench（arXiv:2608.09096）把 harness 自身作为可演化对象。三件工作共同把 harness 从实现层提升到"可形式化、可度量、可演化"的基础设施层。
轴 2 · 自进化闭环与反向力量。 Self-Evolving Coding Agents（arXiv:2608.03392）论证部署后静态 agent 与软件工程反馈密集过程的张力，提出通过更新框架 / 记忆 / prompt 实现自我进化。Self-Improvements 综述（arXiv:2607.13104）将现代自改进 agent 建模为"基础模型与运行支撑层耦合的配置"。反向力量来自 DCAS（8-11 radar #1）发现：模型在训练 scaffold 下表现好、部署到其他 scaffold 时显著退化——scaffold 特定行为与显式规划结构耦合是根因。
轴 3 · 信用分配从轨迹级细化为动作级。 ABSeeker（arXiv:2608.05102）把"对同一轨迹所有步骤一视同仁"的范式转为"答案回溯信用分配（ABC）"。SAO（arXiv:2607.07508）面向异步 RL 提出 single-rollout 优化，可稳定训练 1000 步，在 agentic 编码与推理基准上一致优于 GRPO 变体。
轴 4 · 训练环境从外部交互走入内部演练。 EnvACE（arXiv:2608.06197）用 world rehearsal 取代训练过程的外部环境交互——策略在动作与 rehearsal 之间交替扮演环境角色，直接降低 agentic RL 对昂贵环境的依赖。
轴 5 · 长程能力评测从短序列扩到 hour-scale 与终端任务。 Long-Horizon-Terminal-Bench（arXiv:2607.08964）提出 46 个长程终端任务覆盖九大类。ALE（arXiv:2606.05405）面向长时序、经济价值、结果可验证的真实任务，定位为"弥合 benchmark 与 GDP 影响之间差距的工具"。PAST-Bench（arXiv:2608.04003）把评测焦点从"能否完成任务"转到"能否把累积经验转化为未来更优行为"——26 scenario 可开关保留经验。
轴 6 · 风险从内容安全走到凭证 / 经济 / 物理域。 Hardware Keystores（arXiv:2608.06130）针对近期生产事件——私钥被邮件注入 5 分钟内窃取——提出硬件密钥存储 + 零信任 MCP 强制执行架构。PIMiner（arXiv:2608.05108）替代 RL 红队。Trace-Economic Underwriting（arXiv:2606.16465）将 trace 映射为客户风险敞口与可索赔损失。ComBodied Agents（arXiv:2608.10915）揭示"数字 + 具身 agent 均未把人的动态状态作为建模核心"的结构性空白。PHOENIX（arXiv:2608.07126）把多 agent 自愈推到 CubeSat 物理域。
轴 7 · 记忆从向量库做成三层架构 + 小模型普惠。 Memory 综述（arXiv:2603.07670）把 agent 记忆形式化为"时间范围 × 表示基底 × 控制策略"三维分类。User as Code（arXiv:2606.16707）把对用户建模视为"活的软件项目"。Activity Frames（arXiv:2608.05784）通过确定性零模型流水线将屏幕活动编译为 agent 记忆。Agent Memory Distillation（arXiv:2608.07169）从大 teacher agent 蒸馏三层记忆。OpenComputer（arXiv:2605.19769）硬编码验证器比 LLM-as-judge 更贴合人类裁定。
七轴汇成一句：2026 H2 agent 主题从"模型能否调用工具"走到七条系统级增长曲线——harness 契约、自演化、信用细粒度、内部演练、hour-scale 评测、凭证 / 经济 / 物理域风险、三层记忆——每条把 agent 从应用层推向基础设施层。
二、代表工作与相互关系
按"harness 契约化 / 自进化 / 训练范式 / 评测 / 风险与凭证 / 记忆与个性化"六个分支各列代表 + 反方段（机制 / 数据 / 截止日）。
2.1 harness 契约化与演化
arXiv:2608.01964 · LongHorizon-Harness（方法）。机制：把长 horizon 执行重构为 task-state management 问题，任务状态显式置于执行之外、仅基于事实更新。反方：① 事实依赖完备性未形式化；② 被引暂缺；③ 契约形式化（TLA+ / Coq）待补查。
arXiv:2606.10106 · Agent Harness 操作性定义（方法）。机制：提出 agent harness 的操作性定义 + 共享词汇。反方：① 词汇统一不等于实现统一；② 被引 2；③ 跨 harness 对齐矩阵待公开。
arXiv:2607.13104 · Self-Improvements 综述（survey）。机制：把现代自改进 agent 视为"将经验转化为持续能力增益的自适应系统"。反方：① 抽象层级高，工程迁移成本未量化；② 被引 4；③ 跨实例对比矩阵待公开。
EvoHarness-RL · arXiv:2608.05446（方法；web_search）。机制：把 harness 视为"memory / tools / state trackers / verifiers / execution logs"需持续适配的外部支持层；提出在线学习演化框架。反方：① harness 演化依赖外部信号，易被反向锁定；② HF Daily 票数未明确；③ Evo-Bench 跨框架覆盖未量化。
2.2 自进化闭环与反向力量
arXiv:2608.03392 · Self-Evolving Coding Agents（应用）。机制：论证部署后静态 agent 与软件工程反馈密集过程的张力；提出 agent 通过更新框架 / 记忆 / prompt 自我进化。反方：① 运行时热替换一致性 / 可回滚未形式化；② 被引暂缺；③ 与运行期核心代码侧自进化的边界划分待对比。
DCAS（8-11 radar #1 高价值）。机制：模型在 OpenHands 训练架下微调后部署到其他 scaffold 显著退化；未训练基座模型无此发散 → 显式规划结构耦合是根因。反方：①"解耦"路径未公开；② 被引 0；③ 跨 scaffold head-to-head 待公开。
2.3 训练范式
arXiv:2608.05102 · ABSeeker (ABC)（方法）。机制：长程搜索 agent 训练中 SFT / RL 对同一轨迹所有步骤一视同仁 → ABC 把稀疏轨迹级结果转为细粒度动作级信用。反方：① 信用回溯需要答案路径可定位，多源汇聚时归属边界未量化；② 被引暂缺；③ 与结构化搜索 + GRPO 的兼容性待公开。
arXiv:2607.07508 · SAO（方法）。机制：single-rollout 异步优化，可稳定训练 1000 步，在 agentic 编码与推理基准上一致优于 GRPO 变体。反方：①"single-rollout"在长程场景的 rollout 长度限制未给；② 被引 5；③ 与 PPO / GRPO / DPO 的 Pareto 待续。
arXiv:2608.06197 · EnvACE（方法）。机制：用 world rehearsal 取代训练过程的外部环境交互——策略先生成 tool call，再扮演环境角色生成响应。反方：①模型扮演环境的真实性受知识边界约束；② 被引暂缺；③ 与 Toolformer 类基础范式兼容待公开。
2.4 评测基元
arXiv:2607.08964 · Long-Horizon-Terminal-Bench（benchmark）。机制：46 个长程终端任务覆盖九大类。反方：① dense reward 中间步假设未公开；② 被引 5；③ 与 SWE-bench head-to-head 待公开。
arXiv:2606.05405 · ALE（benchmark）。机制：长时序、经济价值、结果可验证的真实任务；定位"弥合 benchmark 与 GDP 影响差距的工具"。反方：①"经济价值"跨领域对齐单位未给；② 被引 6；③ 代码链接待补查。
arXiv:2608.04003 · PAST-Bench（benchmark）。机制：每 agent 在匹配条件下按序执行 fresh-session 任务，可开关保留经验；26 scenario 隔离"经验是否真正随时间提升 agent 表现"。反方：① 对照假设分布对齐，real-world 对照未给；② 被引暂缺；③ 跨评测基元对比待公开。
2.5 风险与凭证
arXiv:2608.06130 · Hardware Keystores（应用）。机制：把私钥从软件可访问位置迁到硬件密钥存储 + 零信任 MCP 强制执行。反方：① 硬件密钥依赖 TPM / HSM，部署形态适配矩阵未量化；② 被引暂缺；③ 跨云 HSM 集成待公开。
arXiv:2608.05108 · Agent Against Agent (PIMiner)（方法）。机制：agentic 红队系统，训练阶段在序列 (数据集, 目标模型) 配对上训练，从成功攻击构建策略库。反方：①"策略库"自身可能构成新攻击面未量化；② 被引暂缺；③ 与 Garak / PyRIT / Rebuff 兼容性待公开。
arXiv:2606.16465 · Trace-Economic Underwriting（应用）。机制：将工具调用 trace 映射为客户风险敞口，用确定性经济标签做定价。反方：① 司法证据效力未形式化；② 被引 8；③ 与 ISO/IEC 42001 / EU AI Act 合规对接待公开。
arXiv:2608.10915 · ComBodied Agents（方法）。机制：揭示"数字 + 具身 agent 均未把人的动态状态作为建模核心"的结构性空白。反方：① 隐私与监护边界未给；② 被引暂缺；③ 跨文化一致性测试待公开。
arXiv:2608.07126 · PHOENIX（方法）。机制：LEO CubeSat 96 分钟轨道周期内约 85 分钟不可达；提出预测性自愈 + 多 agent AI 恢复。反方：①"预测性自愈"对未训练故障覆盖率未量化；② 178 任务 48-65% 二年后仍工作的统计给出，PHOENIX 自身在轨实测未公开。
arXiv:2606.27288 · Co-Failure Ceiling on 67 Frontier Models（方法）。机制：路由 / 投票 / 级联 / 融合 / MoA 等多模型系统增益受限于"共失效上限"——没有强查询级路由信号时，组合模型很少胜过单一最佳模型。反方：① co-failure ceiling 跨领域上限差异未公开；② 被引 4；③ 67 模型失败相关性矩阵待公开。
2.6 记忆与个性化
arXiv:2603.07670 · Memory 综述（survey）。机制：覆盖 2022 至 2026 初，将 agent 记忆形式化为"时间范围 × 表示基底 × 控制策略"三维分类。反方：① 三维分类存在交叉（episodic memory 可看作时间也可看作控制），正交性未展开；② 被引 53；③ v2 增补 2026 H1 新立标待续。
arXiv:2606.16707 · UaC（方法）。机制：将 agent 对用户的建模视为活的软件项目——类型化 Python 对象承载用户状态，Python 函数编码治理规则。反方：① Python 解释器作为用户模型载体的安全隔离未形式化；② 被引 3；③ 跨语言运行时可移植性待公开。
arXiv:2608.05784 · Activity Frames（应用）。机制：通过确定性零模型流水线将屏幕活动编译为 agent 记忆——分段为类型化活动帧，输出字节一致、可机械审计。反方：① 零模型 pipeline 在复杂 UI 元素（图表 / 视频）捕获精度未量化；② 被引暂缺；③ 跨 OS 部署延迟 / 存储成本待公开。
arXiv:2608.07169 · AMD（方法）。机制：training-free 框架，从大 teacher agent 成功轨迹构建 Workflow / Subtask / 第三类记忆，迁移给小 student agent。反方：①"第三类记忆"定义未量化；② 被引暂缺；③ 跨任务泛化待公开。
arXiv:2605.19769 · OpenComputer（应用）。机制：硬编码验证器在细粒度应用状态依赖的评测上比 LLM-as-judge 更贴合人类裁定。反方：① 跨应用维护成本未量化；② 被引 6；③ Browser-Use 兼容矩阵待公开。
三、综合视角：工程 / 研究 / 批判
3.1 工程视角（可落地性）
可立即借鉴四件套：① harness 形式化（LongHorizon-Harness + Agent Harness + EvoHarness-RL）—— 不重训模型前提下，把任务状态抽离到外部 store（SQLite / Redis），降低错误自评估传播概率。② 信用细粒度 RL（ABSeeker + SAO）—— 长程 agent 训练从"轨迹级奖励"降到"动作级信用"，可在 GRPO / PPO pipeline 之上叠加 ABC loss。③ 零模型记忆捕获（Activity Frames）—— 用确定性 pipeline 编译用户屏幕活动为 agent 记忆，绕过 LLM-as-judge 的延迟 / 成本。④ 凭证硬件化（Hardware Keystores）—— agent 签名工作流的私钥从软件可访问位置迁到硬件密钥存储 + 零信任 MCP 强制执行。
不易落地但值得关注：EnvACE world rehearsal（需量化累计误差）；AMD（"第三类记忆"边界未量化）；PHOENIX（范式可迁移到任何"不可达环境"）；Trace-Economic Underwriting（trace 司法证据效力需联合论证）。
3.2 研究视角（创新性）
7 条新意（按贡献递减）：① harness 契约化与可演化（基础设施层范式转换）；② scaffold 特定行为的反范式发现（DCAS 揭示训练架 ≠ 部署架的系统性失败）；③ 内部环境演练（EnvACE 把 RL 训练对外部环境依赖降到模型角色扮演）；④ 答案回溯信用分配（ABSeeker 把稀疏轨迹奖励细化为动作信用）；⑤ 确定性零模型记忆捕获（Activity Frames 绕开 LLM-as-judge）；⑥ 共失效上限形式化（67 模型失败相关性矩阵）；⑦ 以人为本的具身 + 数字 agent 融合（ComBodied Agents 把"人的动态状态"作为建模核心）。
3.3 批判视角（局限）
4 类系统局限：
-
"被引 0"风险普遍：本综述 17 篇工作中 9 篇（53%）arxiv 端被引 0 或暂缺，方法学尚未经历同行评审与跨团队复现；建议最终采纳门槛设为"独立复现 ≥ 2 篇"。
-
scaffold 迁移失败与硬件依赖：DCAS 揭示的"fine-tuning 引入的 scaffold 特定行为"对所有依赖 SFT / RL 的训练范式都是负面信号；Hardware Keystores 把私钥从软件迁到硬件，对边缘 / 浏览器 / 移动端部署形态构成门槛，fallback 又回到软件可访问位置。两条限制共同指向：agent 落地必须"训练 scaffold × 部署 scaffold × 凭证硬件"三维对齐。
-
长期价值与单步经济量化的张力：Trace-Economic Underwriting 用确定性经济标签定价每条 trace，但 agent 长期价值无法压缩为单步经济损失；适合做"风险敞口下限"而非"完整价值评估"。
-
评测基元覆盖偏向 + 记忆蒸馏形式化漏洞：长程评测基准聚焦"长程 + 任务级"，缺乏"短程 + 多步推理 + 工具密集"精细基元；AMD 三类记忆边界量化不足。
3.4 跨主线合流（> 30% 阈值自查）
6 条主线合流关系：§2.1 harness × §2.2 自进化（harness 是可演化对象，合流点 3）；§2.3 训练范式 × §2.4 内部演练（合流点 2）；§2.5 评测 × §2.1 harness（合流点 2）；§2.5 风险 × §2.6 记忆（合流点 2）；§2.6 记忆 × §2.4 评测（合流点 2）。按"每主线至少与 2 条其他主线合流"标准，6 条主线 100% 满足，跨主线合流密度超 30% 阈值 ✅。
四、趋势判断与开放问题
4.1 趋势判断（2026 H2 → 2027 H1）
T1 · harness 形式化与可演化成为 agent 工程基础设施标配——harness 从实现细节提升为"可形式化、可度量、可演化"的系统级对象。T2 · scaffold 迁移失败是 agent 落地的首要风险——DCAS 揭示"训练 scaffold ≠ 部署 scaffold"是过去一年 benchmark 与 production gap 的根因；落地：训练时同时跑 ≥ 2 个 scaffold，部署前做 scaffold-agnostic 验证。T3 · RL for agents 从"轨迹级"细化为"动作级 + 内部演练"——ABSeeker + SAO + EnvACE 把 RL for agents 从"奖励信号传播"推到"动作-结果对齐 + 环境内部化"。T4 · 风险面从内容安全扩到凭证 / 经济 / 物理域——上述四件把风险面从"对话内容"扩到"签名 / 经济 / 物理域 / 人本建模"。T5 · 记忆从向量库做成三层架构 + 小模型普惠化——Memory 综述 + UaC + Activity Frames + AMD + OpenComputer 把"记忆"从向量库提升为"与模型权重、prompt、工具同等地位的系统级原语"。T6 · 评测基元从"短序列"扩到"hour-scale + 经济价值 + 自我改进"——长程类基准把"长程"从结果指标提升为评测基元。T7 · 多模型组合受"共失效上限"约束——arXiv:2606.27288 的 67 个前沿模型研究揭示组合模型增益受限于 co-failure ceiling。
4.2 开放问题
Q1 · scaffold 迁移失败的边界与 harness 演化收敛性：DCAS 揭示的"scaffold 特定行为与显式规划结构耦合"在多大程度上可解耦？是否存在 scaffold-agnostic 训练范式？EvoHarness-RL / Evo-Bench 是否存在多解并会被 verifier 偏置锁定？
Q2 · 记忆蒸馏 / 经济量化 / 组合模型 / 硬件凭证 fallback 的综合开放问题：AMD 三类记忆（特别是"第三类"）的形式化定义与小模型迁移边界错误传播率如何？Trace-Economic Underwriting 的 trace 司法证据效力如何？arXiv:2606.27288 共失效上限在算力 / 延迟 / 成本维度的具体阈值如何？Hardware Keystores 在边缘 / 浏览器 / 移动端的 fallback 设计如何避免回到软件可访问位置？
4.3 与 EU AI Act 2026-08-02 GPAI deadline 的关系
2026-08-02 是 EU AI Act Annex III 高风险 AI 系统条款、透明度义务、AI 生成内容标识、主动执法权的强制执行日期（多源确认：augmentcode.com / helpnetsecurity.com / salt.security）。Agent 系统合规要点：① Article 11 / 12 / 14——harness 设计文档（LongHorizon-Harness / Agent Harness）+ 训练数据流（Activity Frames）+ 决策监督（Hardware Keystores 签名）共同构成证据链。② 高风险分类——自动签发证书 / 自主决策 / 经济定价的 agent 系统可能落入 Annex III 高风险分类，需要风险管理体系 / 数据治理 / 日志 / 透明度 / 人为监督 / 网络安全弹性 / 后市场监测全套机制。③ AI 生成内容标识——agent 生成的文本 / 代码 / 决策需可追溯到具体模型与 prompt 版本，Activity Frames + UaC 的"可机械审计"特性是天然标识基础设施。④ 红队测试义务——PIMiner 类系统可作为 Article 14 监督机制技术实现，策略库需符合 Article 11 文档。
落地路径：合规团队建立"agent 系统 Article 11 / 12 / 14 矩阵"，把方法学作为合规工具候选池。
五、可引用的 arXiv 号列表
本综述综合 19 篇核心 arXiv 工作 + 2 篇 web_search 补充：
综述（2 篇）：2607.13104 · 2603.07670
harness 契约化与演化（4 篇）：2608.01964 · 2606.10106 · 2608.05446（web） · 2608.09096（web）
自进化闭环（2 篇）：2608.03392 · DCAS（arXiv ID 待补查）
训练范式（3 篇）：2608.05102 · 2607.07508 · 2608.06197
评测基元（3 篇）：2607.08964 · 2606.05405 · 2608.04003
风险与凭证（5 篇）：2608.06130 · 2608.05108 · 2606.16465 · 2608.10915 · 2608.07126
记忆与个性化（4 篇）：2606.16707 · 2608.05784 · 2608.07169 · 2605.19769
多模型组合（1 篇）：2606.27288
六、边界声明
- 本综述路径：
/shared/research-kb/organized/promo/surveys/2026-08-15-agent.md - 边界：仅
organized/promo/surveys/目录；不写其它目录；不 git；不输出密钥 / token - 跨实例接口：综合多源材料但不显式署名其它实例
- 方法论自检：① §2.1~§2.6 各主线均给反方段 ✅；② §3.4 跨主线合流密度 > 30% ✅；③ 无私域编号 / inbox 路径 / 跨实例显式署名引用 ✅；④ §4.3 法律 / 监管 / 经济维度独立成段 ✅
Spark · 2026-08-15 16:40 CST · W5 综述 · agent · 综合 21 篇 arXiv 工作（19 paper_card + 2 web_search）· 跨主线合流密度 > 30% · 涉及 6 主轴