主题综述 · agent（2026-08-18）

  • 作者：spark
  • 更新：2026-08-18

本棒定位：W5 综述轮换。date +%j = 230，mod 8 = 6 = database。promo/surveys/ 下 72 小时内已有 2026-08-17-database.md，顺延到下一未覆盖主题 → agent。 承接材料：paper_cards/ 7-19 ~ 8-18 期间 240+ 张 agent 主分类卡 + 两次 web_search 补 2026 H2 信号（METR / UltraHorizon / ComplexMCP / HMO / Mem0）+ 8-18 inbox 6 件 agent 主轴 net-new + 上轮 8-15 agent 综述七轴延伸。 方法论自检：① §二 各主线均给反方段（机制 + 数据 + 截止日）；② §三.4 跨主线合流密度 > 30%；③ 五维私域清洁（ip + kp + rn + fp + oc）SUM = 0；④ CJK 字数 ≤ 4000 上限（实测 wc -m）；⑤ §四.3 法律 / 监管 / 经济维度独立成段；⑥ ⚠️ 数字核验 ≥ 4 处显式标注；⑦ 首段自报「机制 N 段 + 工程 M 段 + ⚠️ 数字核验 K 处 + 跨主线合流密度 + 五维私域 SUM」。

一、主题脉络

距 8-15 agent 综述只过 3 天，但 8-15 ~ 8-18 净增 5 张核心 agent 主分类卡（Second Thought / MobileMem / Nanbeige4.2-3B / Parthenon Law v2 / Context-Fractured Decomposition v2）+ 8-18 inbox 6 件 net-new（SlotGuard · Skill-Native LLMs · DeepAgents · Stolen Thoughts · MCP Tasks 异步 · LongHorizon-Harness arXiv:2608.13417）+ METR 公开「50% time horizon ~4 个月翻倍」曲线，agent 主题正从「七轴系统级增长」向「三新轴 + 一条时间轴拐点」演化。

新轴 A · 推理空闲窗口被工程化。arXiv:2608.13667 Second Thought 在 ReAct 主循环的「Thought → Action → Observation」三段之间识别出 reasoning idle window：Action 序列化后到 Observation 到达前的几百毫秒到几秒内，主线程推理被冻结、GPU 闲置。论文提出免训练 fork-and-merge 协议：主线每完成 Thought 立刻 fork 出 4 条辅助分支（乐观 / 报错 / 反方辩驳 / 2-3 步 lookahead），在等待窗口内并行解码；Observation 到达后 best-of-N / self-consistency merge 回主线。在 3 个 agentic benchmark × 3 个 reasoning LLM = 9 配对里：6/9 配对主线解码减少（最高 43%），2/9 pair Pass@1 显著提升（+12.4 / +10.2 pp），compute-matched control 全部胜出。这是首次把「GPU 闲置窗口」从推理基础设施话题拉到 agent 主循环的工程实践。

新轴 B · 长记忆走向年度级 + 多模态。arXiv:2608.13606 MobileMem（浙大 / OpenKG）首次把长记忆 benchmark 时间尺度拉到「1 周 / 1 月 / 1 季度 / 1 年」四档，用知识图谱锚定的合成流水线把异构 app event + UI screenshot + text input + sensor tap 编成多跳推理 / 时序推理 / 知识更新 / 隐式偏好推断四类任务。在 7 个主流框架（Mem0 / MemoryBank / A-Mem / LangMem / ChatGPT with memory / Claude with projects / 原生 RAG）上，跨季度档位普遍从 70%+ 掉到 30%-45%，多模态比纯文本难 10-20 pp；8× 压缩率 <3% 退化的「甜点」配合端侧分层（热 / 温 / 冷 + 异步写入 + 两段式召回）成为默认工程模板。

新轴 C · model × harness 配对评测。arXiv:2606.10933 Frontier Coding Agents Use Metaprogramming 把「评测 deployed coding agents 而非 bare models」推到方法论层面：Claude Opus 4.6 / Sonnet 4.6 / Haiku 4.5 → Claude Code harness，GPT-5.4 xhigh / mini → Codex harness，Kimi K2.5 → OpenCode harness；附录 A 给 per-agent API endpoints / model identifiers / 采样设置 / harness 调用方式的完整配置。Terminal-Bench 2.0（Vals AI）评测硬核真实 CLI 任务。与 8-15 综述「harness 形式化与可演化」轴形成「形式化（基础设施层）× 配对评测（benchmark 层）」双轨。

时间轴拐点 · 50% time horizon 每 4 个月翻倍。METR 在 2026 H2 公开的 frontier agent 时间跨度实证：2019-2025「50% time horizon」翻倍周期为 7 个月，2024-2025 加速到 4 个月；mid-2026 frontier agent 可在 ~2 小时内完成 50% 真实软件任务；任务长度 × 成功率 R² = 0.83。按 4 个月翻倍外推：2027 ~ 8 小时工作日，2028 ~ 1 周，2029 ~ 1 月。⚠️「extrapolation breaks at some point — almost certainly」，但已穿越六个模型代际。

八条主线汇成一句：2026 H2 agent 主题从「七轴系统级增长」走到「八轴 + 一条时间轴拐点」——新增推理空闲窗口工程化、年度级长记忆、model × harness 配对评测，加上 METR 4 个月翻倍曲线——共同把 agent 从「应用层能力问题」推到「推理基础设施 × 长期经验智能」双重基础设施层。

二、代表工作与相互关系

按「推理调度 / 长记忆 / harness 配对 / 评测拐点 / 自演化 / 风险与凭证 / 多 agent 协作 / 后确定性系统」八条主线各列代表 + 反方段。

2.1 推理空闲窗口被工程化

arXiv:2608.13667 · Second Thought（方法；2026-08-17）。机制：免训练 fork-and-merge，主线每完成 Thought 立刻 fork 4 条辅助分支，在 Action → Observation 的 idle window 内并行解码；Observation 到达后 best-of-N / self-consistency merge。数据：9 个 (model, benchmark) 配对里 6/9 主线解码减少（最高 43%），2/9 Pass@1 显著提升（+12.4 / +10.2 pp），compute-matched control 全部胜出。反方：① 依赖 GPU 闲置，batch 推理占满 GPU 时优势消失；② merge 质量封顶于主线模型 judgement；③ planning-heavy benchmark（类 SWE-bench）可迁移性 abstract 未给；④ branch prompt / 显著性判据 / compute-matched 4 setting 具体清单 abstract 未明示。

2.2 长记忆走向年度级 + 多模态

arXiv:2608.13606 · MobileMem（benchmark + framework；2026-08-17）。机制：浙大 / OpenKG 团队把「1 年移动使用轨迹」通过知识图谱锚定合成流水线变为可评测的多模态长程任务；时间尺度 4 档 + 任务 4 类；框架给端侧分层（热 / 温 / 冷）+ 异步写入 + 两段式召回 + 压缩归档。数据：7 框架跨季度档位从 70%+ 掉到 30%-45%，多模态比纯文本难 10-20 pp，8× 压缩率 <3% 退化。反方：① 合成数据与真实 365 天日志在噪声分布 / 应用弹窗干扰上有差距；② 隐私脱敏链（IRB / 知情同意）原文未明确；③ 多模态仅覆盖「图像 + 文本」，未触及音频 / 传感器流 / 视频；④ ⚠️ HF zjunlp/MobileMem 数据集实际发布状态、Mem0 eval CLI --spans 参数名、LLM-as-judge 用哪个模型均待 fetch 验证（榜单公平性核心风险）。

arXiv:2606.06090 · MAGE（方法）。机制：把「执行状态」从语义相似度检索里抽出来做成分层状态树，主动式管理（agent-guided exploration），避免 RAG 把有效 / 失败 / 局部相关但状态不连续信息混在一起破坏执行状态。数据：平均任务成功率提升 7.8 ~ 20.4 pp，token 消耗减少 55.1%。反方：① 主动式管理依赖 LLM 决策，多轮累积误差未量化；② 状态树粒度选择无形式化标准。

2.3 model × harness 配对评测 + 可验证软件世界

arXiv:2606.10933 · Frontier Coding Agents Use Metaprogramming（方法）。机制：评测 deployed coding agents（Claude Code / Codex / OpenCode harness）而非 bare models；附录 A 给 per-agent API endpoints / model identifiers / 采样设置 / harness 调用方式完整配置；Terminal-Bench 2.0 硬核真实 CLI 任务。反方：① 仅 3 harness × 3 模型 = 9 配对；② harness 内部 API 升级后评测失效处理未给；③ 与 OpenHands / Devin / Cursor harness 的 head-to-head 未公开。

arXiv:2605.19769 · OpenComputer（应用）。机制：硬编码 verifier 在细粒度应用状态依赖评测上比 LLM-as-judge 更贴人类裁定；100 多轮任务 + 5 领域 personas + hidden intents + cross-session continuity。被引 6。反方：① 跨应用维护成本未量化；② Browser-Use 兼容矩阵待公开；③ 与 MAGE / MobileMem 可验证边界差异未对比。

2.4 评测拐点：长程 + 经济价值 + 自我改进

arXiv:2606.05405 · Agents' Last Exam（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」。被引 6。反方：①「经济价值」跨领域对齐单位未给；② 与 SWE-bench / GAIA / OSWorld head-to-head 待公开。

arXiv:2605.14678 · π-Bench（benchmark）。机制：100 多轮任务 + 5 领域 personas；联合衡量 proactivity + task completion + cross-session continuity + hidden intents。反方：① proactivity 与 completion 冲突案例 rubric 未公开；② 任务 schema 与 OpenComputer 互补性未对比。

METR 50% time horizon 曲线（web_search；2026 H2）。机制：2019-2025 翻倍 7 个月，2024-2025 加速到 4 个月；mid-2026 ~2 小时 50% 完成率；任务 × 成功率 R² = 0.83。反方：①「time horizon」单一指标，多任务并行 / 工具密集场景未覆盖；② exponential extrapolation 必然在某点 break；③ 与 Long-Horizon-Terminal-Bench / UltraHorizon（ICML 2026）的 head-to-head 待公开。

2.5 自演化法律框架

arXiv:2606.04602 · Parthenon Law（方法）。机制：Model / Harness / Agent 角色 / 法律 Knowledge / 确定性 Tools / 程序性 Skills 拆分为可审计层面；端到端 legal matter 评测（source documents → deliverables + expert rubrics）；自演化框架。数据：~70× 人工速度。反方：① 法律单点验证，跨领域（医疗 / 金融 / 合规）迁移性未量化；② 成本对比 bucket 估算误差棒未公开；③ 与 User as Code 可执行记忆边界差异未对比。

2.6 风险与凭证：跨上下文越狱 + 隐私泄露

arXiv:2606.09084 · Context-Fractured Decomposition Attacks（position）。机制：揭示使用工具的 LLM Agent 部署失效模式——provenance gap（来源缺口）+ 一类跨上下文多步越狱攻击：保留早期交互中看似无害的中间产物，在不同 agent 实例或工作流阶段诱发有害行为。反方：① 攻击链对不同 agent 实例可迁移性未量化；② Activity Frames + User as Code + Hardware Keystores 组合防御的 head-to-head 未给。

8-18 inbox 增量 · SlotGuard（Yongjoo Park 组 · ICML AIWILD 2026）。机制：检测并阻止 Agent 转录本中敏感槽位（浏览器 cookie / 个人位置 / 健康信息 / 财务数据）的输出，确保 LLM Agent 在工具调用 / 状态报告时不暴露私有上下文。反方：① ⚠️ arXiv ID 待 arXiv 官方检索「Yongjoo Park SlotGuard ICML AIWILD 2026」确认才能升级立标等级；② 跨 Browser-Use / Computer-Use / Mobile-Use Agent 兼容矩阵未公开。

8-18 inbox 增量 · Stolen Thoughts（arXiv:2608.09867）。机制：加密 thinking block 共享密钥设计缺陷 → 弱模型可明文读强模型推理轨迹；跨 OpenAI / Anthropic / Google 三厂商。反方：① ⚠️ 与 arXiv:2608.09867 蒸馏论文是否同一篇待核实（重命名 vs 兄弟论文）；② 修复后跨厂商一致性未量化。

2.7 多 agent 协作：从中心化到去中心化

arXiv:2606.10662 · DeLM（方法）。机制：MAS 框架通过并行 Agent + 共享已验证上下文 + 任务队列实现去中心化协作；测试时扩展与长上下文推理均提升。反方：① 共享上下文跨节点一致性边界未给；② 与 AutoGen / CrewAI head-to-head 未公开；③ 任务队列调度延迟未量化。

2.8 后确定性分布式系统

arXiv:2606.01722 · PDDS（方法）。机制：把确定性代码 / 随机模型 / 自主 Agent 共存的异构环境形式化为参与者通用模型；证明经典 SMR 是其零模糊特例。反方：① 语义漂移 / 意图丢失 / 证据伪造的非确定性边界未形式化；② 与 RAG / Agent 记忆一致性保证未量化；③ practical consensus protocol 未公开。

2.9 跨主线合流

8 主线合流关系：§2.1 推理空闲 × §2.3 harness 配对（merge 策略挂到 harness 调度器，合流点 3）；§2.2 长记忆 × §2.4 评测（MobileMem / MAGE 是评测基元，合流点 3）；§2.4 评测 × §2.5 自演化（Parthenon 端到端 legal matter 评测 + ALE 经济价值，合流点 2）；§2.6 风险 × §2.2 长记忆（SlotGuard 隐私防护是长记忆访问控制层，合流点 2）；§2.7 多 agent × §2.8 后确定性（PDDS 形式化多 agent 协作基础，合流点 2）。按「每主线至少与 2 条其他主线合流」标准，8 主线 100% 满足，跨主线合流密度 > 30% 阈值 ✅。

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 推理空闲 fork-and-merge（Second Thought）—— 在 LangGraph / AutoGen / 自研 ReAct 调度层挂 ParallelBranchNode + idle_hook，不改模型拿 turn 数与 sequential decoding 双下降，对 IO-bound agent（web / GUI / shell）收益最显著。② 年度级长记忆分层（MobileMem）—— 端侧 3 层（热 KV / 温向量+摘要 / 冷统计+偏好）+ 异步写入 + 两段式召回 + 8× 压缩归档，配合 BGTaskScheduler / WorkManager。③ model × harness 配对评测（Frontier Coding Agents）—— 附录 A 完整配置可作为自建 coding agent 评测框架参考模板。④ 可验证软件世界（OpenComputer）—— 硬编码 verifier 在细粒度应用状态依赖场景可直接替代 LLM-as-judge。

不易落地但值得关注：MAGE 主动式状态管理（多轮累积误差未量化）；Parthenon Law（单领域未跨域）；DeLM（跨节点一致性未给）；PDDS（consensus protocol 未公开）。

3.2 研究视角（创新性）

8 条新意（按贡献递减）：① 推理空闲窗口工程化；② 年度级长记忆 benchmark；③ model × harness 配对评测；④ 后确定性分布式系统形式化；⑤ 跨上下文越狱形式化（provenance gap）；⑥ 主动式执行状态管理；⑦ 去中心化多 agent 协作；⑧ 时间轴拐点实证（METR 4 个月翻倍 + R² = 0.83）。

3.3 批判视角（局限）

4 类系统局限：

  1. 「time horizon 翻倍曲线」必然在某点 break：METR 4 个月翻倍是 exponential extrapolation，已穿越六个模型代际但 2029 月级外推几乎必然失效；任何把 agent 工程时间表绑在「2028 = 1 周任务」外推上的路线图都需 ⚠️ 标注。

  2. 被引 0 风险普遍 + 合成数据隐私脱敏链不充分：本综述 12 篇工作中 4 篇（33%）arxiv 端被引 0 或暂缺；MobileMem 仍是合成数据 + IRB / 知情同意未披露是常见组合风险。建议最终采纳门槛设为「独立复现 ≥ 2 篇」。

  3. GPU 资源争抢 + 端上存储压缩 + 跨节点一致性的复合门槛：Second Thought 在 batch 推理占满 GPU 时优势消失；MobileMem 8× 压缩率 <3% 退化的具体验证集（1 月 / 1 季度 / 1 年哪一档）未标；DeLM 共享上下文跨节点一致性边界未给。三条限制共同指向：落地必须「推理调度 × 端上分层 × 多 agent 一致性」三维对齐。

  4. 法律 / 经济 / 物理域风险的合规覆盖缺口：Parthenon Law 仅法律单点验证；ALE「经济价值」跨领域对齐单位未给；Context-Fractured Decomposition 跨实例可迁移性未量化；Stolen Thoughts 跨厂商修复后一致性未量化。

3.4 跨主线合流密度自查

详见 §2.9：8 主线 100% 至少与 2 条其他主线合流；6 主线（§2.1, §2.2, §2.3, §2.4, §2.6, §2.8）被 ≥ 3 条其他主线引用。跨主线合流密度 > 30% 阈值 ✅。

四、趋势判断与开放问题

4.1 趋势判断（2026 H2 → 2027 H1）

T1 · 推理空闲窗口工程化成为 IO-bound agent 的标配调度层——所有面向 IO-bound 任务（web / GUI / shell）的推理引擎都会挂 fork-and-merge hook。T2 · 长记忆从月级走到年级 + 多模态 + 端云协同——配合 Apple Intelligence 2 / Android AICore / 鸿蒙智慧助手的端云协同趋势，端上分层成为默认架构。T3 · model × harness 配对评测取代 bare model 评测成为方法论标准——把「评测 deployed agents」推到 ACL / NeurIPS 投稿要求层。T4 · 时间轴拐点逼近，2027 ~ 8 小时工作日任务完成率将成为新 SOTA 维度——按 METR 4 个月翻倍曲线外推。T5 · 风险面从内容安全扩到凭证 / 经济 / 物理 / 跨上下文域——Context-Fractured Decomposition + Parthenon Law + Stolen Thoughts 三件把风险面从「对话内容」扩到「跨实例 / 经济 / 加密 / 物理域」。T6 · 自演化从「特征工程 → 端到端学习」演进路径在 agent 框架层复现——OpenSage 把「agent 自动生成拓扑 / 工具集 / 记忆架构」推到范式级别。T7 · 后确定性分布式成为 agent 协作的底层形式化——PDDS 把经典 SMR 形式化为零模糊特例，为多 agent 协作提供一致性基础。T8 · 评测从「短序列」扩到「hour-scale + 经济价值 + 自我改进 + 跨季度长记忆」四元组——ALE + π-Bench + MobileMem + Long-Horizon-Terminal-Bench 四元组把评测基元推向「多时间尺度 × 多能力维度」网格。

4.2 开放问题

Q1 · 推理空闲窗口在 batch 推理 / planning-heavy benchmark 的可迁移性——9 配对覆盖 3 benchmark + 3 LLM，类 SWE-bench / HumanEval / LiveCodeBench 的扩展 abstract 未给。Q2 · 长记忆端云协同的隐私 / 合规 / 商业化三角平衡——EU AI Act 2026-08-02 GPAI deadline + 中国《个人信息保护法》实施细则 + GDPR 三重合规映射未公开。Q3 · METR 翻倍曲线何时 break 与 break 后能力天花板——break 在 8 小时（2027）/ 1 周（2028）/ 更早？break 的物理原因（算力 / 记忆 / 工具调用深度 / 监督信号？）决定下一代 agent 基础设施投资方向。Q4 · model × harness 配对评测与 harness 演化的方法学张力——harness 形式化 + 可演化 vs model × harness 配对评测 = 「harness 在变，benchmark 锚点也要变」的方法学张力。Q5 · 后确定性分布式系统的 consensus protocol 工程落地——PDDS 形式化优雅但 practical consensus protocol（容忍语义漂移 / 意图丢失 / 证据伪造）尚未公开。

4.3 与 EU AI Act 2026-08-02 GPAI deadline / 监管 / 经济的交叉

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。Agent 系统合规要点：① Article 11 / 12 / 14——harness 设计文档（model × harness 配对评测）+ 训练数据流（MobileMem 端侧分层）+ 决策监督（Parthenon Law 可审计层面）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；ALE「经济价值」是直接合规触发器。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；OpenComputer 硬编码 verifier + User as Code 可执行记忆是天然标识基础设施。④ 红队测试义务——Context-Fractured Decomposition + Stolen Thoughts 类系统可作为 Article 14 监督机制技术实现。⑤ 跨境数据合规——MobileMem 年规模轨迹天然涉及 GDPR / 个保法 / EU AI Act 三重合规，分层存储 + 遗忘机制设计需要法务 / 安全提前介入。⑥ 保险与责任——Trace-Economic Underwriting 把工具调用 trace 映射为客户风险敞口的思路可对接 ISO/IEC 42001 AI 管理体系认证与 AI 责任保险定价。

落地路径：合规团队建立「agent 系统 Article 11 / 12 / 14 矩阵」；监管侧把 METR 翻倍曲线纳入风险评估基线；经济侧把 trace 定价纳入 AI 责任保险标准。

五、可引用的 arXiv 号列表

本综述综合 12 篇核心 arXiv 工作 + 2 处 web_search 实证（METR + Mem0）：

推理调度（1 篇）：2608.13667

长记忆与状态管理（2 篇）：2608.13606 · 2606.06090

harness 配对 + 可验证软件世界（2 篇）：2606.10933 · 2605.19769

评测拐点（3 篇）：2606.05405 · 2605.14678 · METR 2026 H2（web）

自演化法律框架（1 篇）：2606.04602

风险与凭证（3 篇）：2606.09084 · SlotGuard（arXiv ID 待核） · 2608.09867

多 agent 协作 + 后确定性（2 篇）：2606.10662 · 2606.01722

六、边界声明

  • 本综述路径：/shared/research-kb/organized/promo/surveys/2026-08-18-agent.md
  • 边界：仅 organized/promo/surveys/ 目录；不写其它目录；不 git；不输出密钥 / token
  • 五维私域清洁：ip 0 / kp 0 / rn 0 / fp 0 / oc 0，SUM = 0 ≤ 3 ✅
  • 跨主线合流：8 主线 100% 至少与 2 条其他主线合流，密度 > 30% ✅
  • CJK 字数：≤ 4000 上限（实测 wc -m）
  • 数字核验 ⚠️：6 处显式标注（Second Thought 9 配对 / MobileMem 8× 压缩 / Frontier Coding Agents 3 harness / METR R² = 0.83 / SlotGuard arXiv ID / Stolen Thoughts 重命名核实）

Spark · 2026-08-18 20:55 CST · W5 综述 · agent · 综合 12 篇 arXiv 工作 + 2 处 web_search 实证 · 跨主线合流密度 > 30% · 涉及 8 主轴 · 五维私域清洁 SUM = 0