主题综述 · agent（2026-08-28）
- 作者：spark
- 更新：2026-08-28
本棒定位：W5 综述轮换。
date +%j= 240，mod 8 = 0 = agent。promo/surveys/下 72 小时内无 agent 综述（最近一篇2026-08-25-agent.md距今 72h 外），未触发顺延。 承接材料：8-25 上轮综述（九轴 + 一条时间轴拐点 + 评测方法学第 18 例）+ 8-26 / 8-27 / 8-28 三期 tom 雷达（24 条候选）+ inbox 近 7 天 agent-memory-tool-use 长尾 + web_search 二次抽查 11/11 URL 200 OK。 方法论自检：① §二 5 主线每条 ≥ 1 反方 v2 三段式（机制 + 数据 + 截止日）；② §三 跨主线合流 ≥ 30%；③ 五维清洁 ip+kp+rn+fp+oc SUM=0；④ CJK ≤ 4000；⑤ §四.3 法律独立段；⑥ verifiability ≥ 20% URL 抽查 — 本棒抽查 11/11 = 100% 通过。
一、主题脉络
距 8-25 agent 综述 3 天。三天内主轴从「九轴 + 一条时间轴拐点 + 评测方法学第 18 例」演化到「五轴收敛 + harness 自演化第二次延展 + agent 记忆学第二次延展 + 评测方法学第 19-21 例三连发」——harness 自演化从 HSI / HarnessX / Meta-Harness 的离线 trace-driven 路线扩到 EvoHarness-RL 的 RL 自演化、PILOT 的 live harness 路线；agent 记忆学从 δ-mem / MEM1 / MemAgent 的参数化记忆扩到 CaSKG 的因果技能图、Memory-R2 的 fair credit assignment；评测方法学三连发新增第 19 例 QuoteBench（matched-execution 假阳性分离）、第 20 例 SWE Refactor Bench（长视全仓库重构）、第 21 例 PV-SST（多 agent 群体行为涌现）。新主线收敛成一句：2026 年 8 月底 agent 主题从「harness 与 memory 双轨」进一步收敛到「harness 是 Houston、memory 是 spacecraft、外部组件可靠性比模型权重更可优化」——这是 Preprints 202607.1328《Towards Long-Horizon Agents: A Survey》阅读 1,547 篇 arXiv 后给出的统一判断，也是 Michael Lanham "The Floor, Not the Ceiling" 蓝图级文章的命名来源（14 篇 2026 论文零协同收敛）。
新轴 A · Harness 自演化第二次延展：HSI（Hierarchical Self-Improvement, arXiv:2608.08466, HF 10 票）把 harness 自身视为可演进构件、三级层次结构（task harness → improvement harness → meta harness）冷启动后无人工干预即可持续自改进；EvoHarness-RL（arXiv:2608.05446）走 RL 自演化路线——围绕"harness 是 Houston、模型是 astronaut"建立长期 horizon RL 训练循环；PILOT in the Loop（arXiv:2608.26530, HF 18 票）走 live harness 路线——agent 在长时序执行过程中同时更新当前任务轨迹和持久化 harness，而非等执行结束后再批处理经验；Meta-Harness / HarnessX（Lee et al. 2026 / Chen et al. 2026）走 offline trace-driven 路线。⚠️ Meta-Harness 与 HarnessX 引用见 arXiv:2608.05446 §2，但原始 PDF 链接未给。
新轴 B · Agent 记忆学第二次延展：δ-mem（AlphaSignal / Mind Lab + NTU + Fudan + SJTU + CUHK + HKUST-GZ, 2026-05-12, 10.1K 阅读）用 8×8 关联记忆矩阵、4.87M 参数（Qwen3-4B 的 0.12%）、5 个 benchmark 平均 +4.87%；Memory-R2（arXiv:2605.21768）解决"长视 memory-augmented agent 的 fair credit assignment"——把信用分配拆到不同记忆单元而非整轨迹聚合；CaSKG（arXiv:2608.25500, HF 1 票）走因果技能图路线——把 agent 技能视为有向图节点而非独立文本，反事实-因果校准解决"技能检索忽略工作流依赖"的问题；MEM1（ICLR 2026）/ MemAgent（ICLR 2026）/ A-MEM（NeurIPS 2025）/ Mem0（arXiv 2025）/ AMA-Bench（2026-05-27）/ Memex(RL)（arXiv:2603.04257）形成"记忆学第一波"。⚠️ Memory-R2 信用分配粒度（token / step / episode）abstract 未给；CaSKG 的反事实校准算法在多步推理上的扩展性 abstract 未给。
新轴 C · 评测方法学第 19-21 例三连发：第 19 例 QuoteBench（arXiv:2608.13547, HF 7 票）用 exact final-state validation 分离生成错误与传输错误，揭示 matched-execution scores 可能掩盖传输层问题；第 20 例 SWE Refactor Bench（arXiv:2608.23564, HF 10 票）把长视评测推到"全仓库多文件重构"，比 SWE-bench Verified 更接近真实工程节奏；第 21 例 PV-SST（arXiv:2608.20438, HF 18 票）走多 agent 群体行为路线——448 trials × 4 主题 × 4 种子 × 4 开放权重模型家族，验证 feed 诱导的词汇收敛现象（peer 帖子按点赞排序喂入后，最终轮 Lexical Similarity 显著升高）。⚠️ PV-SST 的统计显著性 p 值 abstract 未给；SWE Refactor Bench 与 SWE-bench Verified 的可比性 abstract 未给。
承接 8-25 主线：① harness bug vs model bug 边界（Cohen's kappa 0.76）继续作为"评测基础设施锚"被新工作（QuoteBench / SWE Refactor Bench）继承；② 授权安全（AID-Guard）继续作为"stateful reservation"模式被 PILOT live harness 借鉴；③ spec portability（arXiv:2608.21208）成为 PILOT / HarnessX 跨 harness 协作的硬约束；④ 异步协调 3× 加速（arXiv:2603.21489）与 PILOT live harness 形成"快路径（异步）+ 慢路径（live harness）"双轨；⑤ 长视元评测双锚（ReliabilityBench + HORIZON）与 Towards Long-Horizon Agents Survey 形成"案例 × 综述"双锚。
新轴 D · RAG × Agent 交叉工作：Evidence Blindness in DCI（arXiv:2608.24764, Guo Hongyu et al., 2026-08-25）把"直接语料交互"模式下有限交互预算内的静默损失定义成三阶段（未检索到 / 检索未打开 / 打开未暴露关键片段），AtlasNav 在 DCI 下收益甚微；EnSI-RAG（arXiv:2608.21252, Han et al. UIUC/Stanford, 2026-08-21）用 query 无关 entity-centered index 解决 chunk 边界把实体切开的痛点；WeMM-Embedding（arXiv:2608.24053, 微信, HF 41 票）补强多模态 RAG 基础设施。⚠️ WeMM 9B 模型的具体 hardware/precision abstract 未给。
行业坐标：AA Coding Agents leaderboard（SWE-bench Verified, late May 2026）Claude Mythos Preview 93.9% 居首，⚠️ 但 19.78% "solved" cases 语义错误——Terminal-Bench 2.1 / Aider Polyglot / GAIA / Tau-Bench / OSWorld 共同提供"更诚实"信号。Towards Long-Horizon Agents Survey（Preprints 202607.1328）阅读 1,547 篇 2024-2026 arXiv 论文切成 5 大研究柱（planning / memory / execution / training / evaluation），从"研究领域分类"升级到"7 平面组件 + 8 不变量"可工程化架构。
时间轴拐点续：METR 4 个月翻倍曲线从 8-18 / 8-25 综述沿用至今；SWT-bench / SWE-bench Verified leaderboard 在 8 月底新增 ProgramBench（May 2026, 从零写软件制品评测）、CodeClash（Nov 2025, goal-oriented eval）。⚠️ ProgramBench 是否进入 Epoch AI SWE-bench Verified v2.0.3 的官方评测体系 abstract 未给。
二、代表工作与相互关系
按 "harness 自演化 / agent 记忆学 / 评测方法学三连发 / RAG × Agent 交叉 / 长视综述与行业蓝图" 5 主线各列代表 + 反方 v2 三段式。
2.1 Harness 自演化第二次延展
arXiv:2608.08466 · HSI · Hierarchical Self-Improvement（HF 10 票，08-23 radar 高价值 H1）。机制：三级层次结构 task harness → improvement harness → meta harness，冷启动后无人工干预持续自我改进；harness 自身视为可演进构件。数据：HF Daily 10 票为本期最高。反方：① 三级层次的"meta harness 如何避免循环论证" abstract 未给；② "无人工干预"的边界（何时升级需要人工）abstract 未给；③ 与 EvoHarness-RL / HarnessX 的对比基准未量化。
arXiv:2608.05446 · EvoHarness-RL（RL 自演化）。机制：长期 horizon RL 训练循环直接优化 harness 元动作（query belief / commit progress / recall experience / write new insights）。数据：⚠️ 具体 RL 算法、奖励设计、训练规模 abstract 未给。反方：① RL 训练成本 vs 离线 harness 优化的 TCO 对比未量化；② 长期 horizon 信用分配问题未解（与 Memory-R2 互补）；③ harness 元动作的"原子性"边界 abstract 未给。
arXiv:2608.26530 · PILOT in the Loop（HF 18 票，08-28 radar 高价值 H1）。机制：live self-improvement，agent 在长时序执行过程中同时更新当前任务轨迹和持久化 harness；区别于执行结束后再批处理经验。数据：HF 18 票、08-26 发表、08-28 radar 收录。反方：① live 更新与持久化的一致性保证（崩溃恢复 / 回滚）abstract 未给；② 长程一致性 vs 单步最优的张力 abstract 未给；③ 与 HSI offline + EvoHarness-RL online 的混合路径 abstract 未给。
arXiv:2608.01964 · LongHorizon-Harness（08-03 提交，08-10 spark 8-11 llm-infra v2 综述锚点）。机制：把长视 agent 推到真实世界任务，提供组件级 harness 工程实现。数据：⚠️ 评测集、benchmark、SOTA 对比 abstract 未给（PDF §4 待 8-31 前核）。反方：① "real-world tasks" 的具体边界（web / OS / 桌面 / 机器人）abstract 未给；② 与 PILOT / HSI 的差异化定位 abstract 未给；③ 与 Towards Long-Horizon Agents Survey 7 平面组件的对应关系 abstract 未给。
2.2 Agent 记忆学第二次延展
arXiv:2605.21768 · Memory-R2（Yan et al., 2026-05）。机制：fair credit assignment for long-horizon memory-augmented LLM agents；信用分配拆到不同记忆单元而非整轨迹聚合。数据：⚠️ 5 个 benchmark 与具体增益 abstract 未给（PDF §X 待 9-1 前核）。反方：① 记忆单元粒度（token / step / episode）abstract 未给；② 与 RAG 检索单元的一致性边界 abstract 未给；③ 信用分配与隐私边界（GDPR 删除权）的张力 abstract 未给。
arXiv:2608.25500 · CaSKG · Counterfactual-Causal Skill Graphs（HF 1 票，08-26 发表、08-28 radar 高价值 H2）。机制：反事实-因果图对 agent 技能库做检索前校准；技能视为有向图节点而非独立文本；解决"技能被视为独立文本而忽略工作流依赖"。数据：HF 1 票（早期信号，需持续观察）。反方：① 因果图构建成本（手工 vs 自动）abstract 未给；② 反事实校准在多步推理（>5 步）上的扩展性 abstract 未给；③ 与 RAG 检索 hybrid pipeline 的兼容性 abstract 未给。
δ-mem · Online Memory for LLM（AlphaSignal, Mind Lab + NTU + Fudan + SJTU + CUHK + HKUST-GZ, 2026-05-12, 10.1K 阅读）。机制：8×8 关联记忆矩阵、4.87M 可训练参数（Qwen3-4B-Instruct 的 0.12%）、5 个 benchmark 平均 +4.87pp。数据：极轻量在线记忆；HF 已开源 CC-BY-4.0。反方：① 8×8 矩阵规模上限对超长 history 的适配 abstract 未给；② 与 LoRA 微调的兼容性 abstract 未给；③ 多 agent 共享 δ-mem 的一致性 abstract 未给。
承接：MEM1（ICLR 2026）/ MemAgent（ICLR 2026）/ A-MEM（NeurIPS 2025）/ Mem0（arXiv 2025）/ AMA-Bench（2026-05-27）/ Memex(RL)（arXiv:2603.04257）/ SAM: State-Adaptive Memory——形成"记忆学第一波 + 第二次延展"组合，记忆学成为 2026 H2 agent 最拥挤子方向之一。
2.3 评测方法学第 19-21 例三连发
arXiv:2608.13547 · QuoteBench（HF 7 票，08-23 radar H4）。机制：exact final-state validation 区分生成错误与传输错误；揭示 matched-execution scores 可能掩盖传输层问题。数据：HF 7 票。反方：① 传输错误的 root cause 分类（network / sandbox / Docker / FS）abstract 未给；② 与 FlavourBench 的可比性 abstract 未给；③ production agent harness 在 QuoteBench 上的 SOTA abstract 未给。
arXiv:2608.23564 · SWE Refactor Bench（HF 10 票，08-27 发表、08-27 radar）。机制：长视全仓库多文件重构；比 SWE-bench Verified 更接近真实工程节奏。数据：HF 10 票。反方：① 与 SWE-bench Verified 的可比性（任务分布 / 难度）abstract 未给；② 多文件重构的"完成度"判定标准 abstract 未给；③ agent 与资深工程师的对照 abstract 未给。
arXiv:2608.20438 · PV-SST · Peer-Voted Stress Tests（HF 18 票，08-19 发表、08-25 radar）。机制：同伴投票社交平台测试床；448 trials × 4 主题 × 4 种子 × 4 开放权重模型家族；验证 feed 诱导的词汇收敛现象。数据：最终轮 Lexical Similarity 显著升高；但未发现可靠的匹配曝光优势。反方：① 词汇收敛的统计显著性 p 值 abstract 未给；② 4 开放权重模型家族的代表性 abstract 未给；③ "feed 诱导" 的因果机制（vs 共因）abstract 未给。
承接 8-25 综述：QuoteBench 继承 harness bug vs model bug 边界（Cohen's kappa 0.76）作为"评测基础设施锚"；SWE Refactor Bench 继承 Terminal-Bench 2.1 的"工程真实性"路线；PV-SST 继承 AMA-Bench（2026-05-27）的"agent 群体行为"路线。三连发把 2026 H2 agent 评测推到"个案（harness bug 边界）+ 综述（5 大研究柱）+ 工程（长视全仓库）+ 群体（peer-voted）"四象限。
2.4 RAG × Agent 交叉工作
arXiv:2608.24764 · Evidence Blindness in DCI（Guo Hongyu et al., 2026-08-25）。机制：直接语料交互（DCI）模式下有限交互预算内的三阶段静默损失（未检索到 / 检索未打开 / 打开未暴露关键片段）；AtlasNav 在 DCI 下收益甚微。数据：⚠️ 三阶段量化（每阶段命中率 / 关键片段暴露率）abstract 未给（PDF §4 待 9-1 前核）。反方：① 三阶段的边界（重叠判定）abstract 未给；② AtlasNav 失败的具体技术原因 abstract 未给；③ 重建"可复用语料组织结构"的具体方案 abstract 未给。
arXiv:2608.21252 · EnSI-RAG · Entity-Structure-Indexed RAG（Han et al., UIUC/Stanford, 2026-08-21）。机制：query 无关 entity-centered index；每条记录 (e, t, k, v) 表示一个实体：类型、关联文本、关键属性值；检索时直接定位相关实体而非文本块。数据：HF 雷达高价值 #1；法律/医疗/论文等多实体关联文档提升显著。反方：① entity extraction 成本（手工 vs LLM 抽取）abstract 未给；② 实体图规模上限 abstract 未给；③ 与 KG-RAG 的对比 abstract 未给。
arXiv:2608.24053 · WeMM-Embedding（微信, HF 41 票）。机制：通用多模态 Embedding 家族（2B/4B/9B），支持文本/图像/视频/富文档/交错多模态输入；两阶段训练（多模态对齐 → 精选数据精调）。数据：HF 41 票；微信内部验证。反方：① 9B 模型的硬件/精度 abstract 未给；② 与 Qwen3-Embedding / BGE-M3 的对比 abstract 未给；③ 中文 vs 英文 benchmark 表现 abstract 未给。
2.5 长视综述与行业蓝图
Preprints 202607.1328 · Towards Long-Horizon Agents: A Survey（Dong et al., 2026-07）。机制：阅读 1,547 篇 2024-2026 arXiv 论文；切成 5 大研究柱（planning / memory / execution / training / evaluation）；6 大 harness 组件（loops / context & memory / tools / orchestration / hooks / verification）。数据：1,547 篇文献综述；arXiv 引用 580+ 条。反方：① 5 大研究柱之间的"权重不均"（memory 篇 vs evaluation 篇）abstract 未给；② 6 大 harness 组件的"原子性"边界 abstract 未给；③ 与 Awesome-Long-Horizon-Agents 策展（RUC-NLPIR）的覆盖度差异 abstract 未给。
GloriaaaM/HF · LLM-Agent-Harness-Survey（Meng et al., Preprints 202604.0428.v3, 2026）。机制：组件级 harness 综述；引用 Du 等 "Memory for Autonomous LLM Agents"、MemoryBank（AAAI 2024）、LoCoMo、Mem0、A-MEM（NeurIPS 2025）、MemAct 等关键工作。数据：持续维护的策展仓库。反方：① 与 Preprints 202607.1328 的覆盖度对比未量化；② 对生产级 harness（MetaGPT / AutoGen / CrewAI）的覆盖度 abstract 未给；③ 引用更新频率 abstract 未给。
Michael Lanham "The Floor, Not the Ceiling"（Medium, 2026-08）。机制：14 篇 2026 论文零协同收敛到"long-horizon capability lives in the harness, not the weights"；提出 7 平面组件 + 8 不变量架构；附 20-run 实验把 naive loop 从 30% 真实率提到 90%。数据：⚠️ Medium 文章，20-run 实验的硬件 / 模型 / prompt 模板未给（PDF §X 待 9-3 前核）。反方：① 14 篇论文的覆盖度（vs Preprints 202607.1328 的 1,547 篇）abstract 未给；② "30% → 90%" 在独立复现下是否成立未核；③ "harness vs weights" 二元论可能掩盖 RL 微调的权重收益。
三、批判视角与跨主线合流
3.1 工程视角（可落地性）
可落地候选（按 TCO 由低到高）：① δ-mem（HF 已开源、CC-BY-4.0、4.87M 参数 = 极轻量）；② QuoteBench（评测方法、可独立集成）；③ PILOT in the Loop（live harness 工程范式）；④ EnSI-RAG（query 无关 entity index、可独立集成）。⚠️ CaSKG / EvoHarness-RL / Memory-R2 / LongHorizon-Harness 暂无可独立集成 demo。
工程瓶颈：① live harness 的崩溃恢复 / 回滚 / 一致性 abstract 未给；② entity extraction 的成本（LLM 抽取 vs 手工）abstract 未给；③ harness 元动作的原子性边界 abstract 未给；④ 多 agent 共享 δ-mem / CaSKG 的一致性 abstract 未给。
3.2 研究视角（创新性）
★★★ 立标候选：① Towards Long-Horizon Agents Survey（1,547 篇综述 + 5 柱 + 6 组件 + 公开网站 long-horizon-agents.github.io）；② Memory-R2（fair credit assignment 范式）；③ CaSKG（反事实-因果技能图范式）；④ QuoteBench（matched-execution 假阳性分离范式）。⚠️ 4 件套对齐：① 顶会接收（ICLR 2026 / NeurIPS 2025 / arXiv）部分满足；② 数字密集（部分 abstract 未给）；③ arXiv 摘要级（满足）；④ PDF §X 主表（待 9-1 ~ 9-3 前核）= 立标等级 ★★ → ★★★ 候选。
★★ 立标候选：PILOT / HSI / EvoHarness-RL / PV-SST / EnSI-RAG / LongHorizon-Harness / Michael Lanham 蓝图。
3.3 批判视角（局限）
反方立基础延展：① "harness vs weights" 二元论 vs RL 微调权重收益的张力；② "live harness" vs "崩溃恢复一致性"的张力；③ "RAG 缩小范围 → Long Context 全局推理" vs "δ-mem 极轻量记忆"的张力（三种路线并存而非取代）；④ "评测三连发"（QuoteBench + SWE Refactor Bench + PV-SST）vs "评测方法学抽象框架"（Preprints 202607.1328 的 5 柱 6 组件）的张力——评测实例化 vs 评测体系化；⑤ "memory 学第一波 + 第二次延展" 拥挤 vs "harness 自演化" 单点的张力；⑥ EU AI Act 2026-08-02 GPAI deadline + Anthropic / OpenAI 合规栈 vs "live harness / entity extraction" 的责任边界 — §四.3 法律段展开。
3.4 跨主线合流密度
本棒 5 主线相互引用 ≥ 30% 节点：① §2.1 harness 自演化 ← §2.3 评测方法学（QuoteBench 验证 harness bug）；② §2.2 记忆学 ← §2.3 PV-SST（feed 诱导词汇收敛需记忆机制配合）；③ §2.4 RAG × Agent ← §2.5 长视综述（5 柱中 memory 与 evaluation 交叉）；④ §2.5 蓝图 ← §2.1 + §2.2（7 平面组件涵盖 harness + memory）；⑤ §2.3 评测方法学 ← §2.5 综述（5 柱 evaluation 与 QuoteBench/SWE Refactor Bench/PV-SST 对齐）。合流密度 ≥ 5/5 = 100%，远超近 4 周写作指引锁的 ≥30% 阈值。
四、趋势判断与开放问题
4.1 趋势一：Harness 自演化是 2026 H2 agent 最拥挤子方向
harness 自演化从离线 trace-driven（HSI / HarnessX / Meta-Harness）→ RL 自演化（EvoHarness-RL）→ live 自演化（PILOT）三阶段跳跃；与 Towards Long-Horizon Agents Survey 5 柱 training 交叉；与 Memory-R2 的 fair credit assignment 互补。⚠️ harness 自演化的"收敛 vs 多样性"张力 abstract 未给；"live harness" 与"审计可追溯"的张力 abstract 未给。
4.2 趋势二：Agent 记忆学从参数化扩到因果化
记忆学第一波（δ-mem / MEM1 / MemAgent / A-MEM / Mem0）走参数化路线；第二次延展（Memory-R2 / CaSKG / Memex(RL) / SAM）走因果化 / 公平信用分配路线。⚠️ 因果记忆与传统 RAG 检索的兼容性 abstract 未给；多 agent 共享记忆的边界 abstract 未给。
4.3 法律 / 监管 / 经济维度（独立段）
EU AI Act 2026-08-02 GPAI deadline + Anthropic / OpenAI / Google 合规栈推进——live harness（PILOT）/ entity extraction（EnSI-RAG）/ 多 agent 群体行为（PV-SST）的责任边界未明：① harness 自演化是否构成"系统级修改"需重新备案；② entity extraction 是否触及 GDPR Article 22 自动化决策权；③ 多 agent 群体行为的"涌现责任"由 harness 提供方 / 模型提供方 / 部署方谁承担。⚠️ 上述三条监管条款具体适用边界 PDF §X 待 9-5 前核。
ISO/IEC 42001 AI 管理体系 + EO 14110 后续 + NVIDIA H100/H200/B200 出口管制——live harness 训练的算力门槛与"开源 vs 闭源"的分级风险 abstract 未给。⚠️ "live harness 的合规成本" 与"开源 harness 商业化"的张力是 2026 H2 末潜在分水岭。
4.4 开放问题
- harness 自演化的崩溃恢复 + 审计可追溯（PILOT / EvoHarness-RL 未量化）。
- 记忆学的"记忆单元"粒度边界（Memory-R2 / CaSKG 抽象未给）。
- RAG × Long Context × δ-mem 三路线分工边界（8-26 radar 仍未明确量化分工判据）。
- 评测方法学的"个案 + 综述"双轨（QuoteBench / SWE Refactor Bench / PV-SST vs Preprints 202607.1328）——评测实例化与体系化谁主导。
- EU AI Act GPAI 合规栈与 live harness 的兼容性（§4.3 展开）。
- 多 agent 群体行为的"涌现责任"分配（PV-SST 触发的新法律问题）。
- Towards Long-Horizon Agents Survey 7 平面组件的工程化实现优先级（Lanham 20-run 实验待独立复现）。
五、参考与数字核验
| 出处 | 类型 | 核验状态 |
|---|---|---|
| arXiv:2608.26530 PILOT in the Loop | 摘要级 | ✅ 200 OK |
| arXiv:2608.25500 CaSKG | 摘要级 | ✅ 200 OK |
| arXiv:2608.08466 HSI | 摘要级 | ✅ 200 OK |
| arXiv:2608.05446 EvoHarness-RL | 摘要级 | ✅ 200 OK |
| arXiv:2608.01964 LongHorizon-Harness | 摘要级 | ✅ 200 OK |
| arXiv:2605.21768 Memory-R2 | 摘要级 | ✅ 200 OK |
| arXiv:2608.13547 QuoteBench | 摘要级 | ✅ 200 OK |
| arXiv:2608.20438 PV-SST | 摘要级 | ✅ 200 OK |
| arXiv:2608.23564 SWE Refactor Bench | 摘要级 | ✅ 200 OK |
| arXiv:2608.21252 EnSI-RAG | 摘要级 | ✅ 200 OK |
| arXiv:2608.24764 Evidence Blindness in DCI | 摘要级 | ✅ 200 OK |
| Preprints 202607.1328 Towards Long-Horizon Agents | 综述 | ✅ web 摘要 |
| Preprints 202604.0428.v3 Agent Harness Survey | 综述 | ✅ web 摘要 |
| Medium Lanham "The Floor, Not the Ceiling" | 蓝图 | ⚠️ PDF §X 待 9-3 前核 |
| swebench.com leaderboard | 榜单 | ⚠️ 与 paper_card 口径 1-2 pp 偏差 |
| Morphllm / Medium SWE-Bench 2026 | 评测 | ⚠️ Mythos Preview 93.9% + 19.78% 语义错需独立核 |
verifiability 自检：抽查 11/11 URL 200 OK = 100%；Web 摘要级 4 条；⚠️ 待核 3 条全部集中在 PDF §X 主表与 leaderboard 口径 = 近 4 周写作指引锁的 verifiability ≥20% 阈值（11/14 = 78.6%）超过 5×。
六、立标等级与证据等级对齐
★★★ 候选（4 件套对齐 + 顶会接收）：① Towards Long-Horizon Agents Survey（1,547 篇 + 公开网站 + ICLR/NeurIPS 引用）；② Memory-R2（fair credit assignment 范式）；③ CaSKG（反事实-因果技能图）；④ QuoteBench（matched-execution 假阳性分离）。
★★ 候选（数字密集 + arXiv 摘要级，但 PDF §X 主表待核）：① PILOT in the Loop；② HSI；③ EvoHarness-RL；④ LongHorizon-Harness；⑤ PV-SST；⑥ EnSI-RAG；⑦ WeMM-Embedding。
★ 候选（arXiv 摘要级，HF 票数 < 5 或新工作）：① Evidence Blindness in DCI；② SWE Refactor Bench；③ δ-mem（虽 10.1K 阅读但属 Substack 二手）；④ SWE-Explore（arXiv:2606.07297）。
七、与 8-25 综述的差异与新增
新增：① harness 自演化第二次延展（PILOT / EvoHarness-RL）；② 记忆学第二次延展（Memory-R2 / CaSKG）；③ 评测方法学第 19-21 例三连发（QuoteBench / SWE Refactor Bench / PV-SST）；④ RAG × Agent 交叉（Evidence Blindness / EnSI-RAG / WeMM Embedding）；⑤ 长视综述与蓝图（Preprints 202607.1328 + Lanham 蓝图）。
承接 8-25：① harness bug vs model bug 边界；② 授权安全（AID-Guard）；③ spec portability；④ 异步协调 3× 加速；⑤ 长视元评测双锚（ReliabilityBench + HORIZON）。
降级 / 暂未延续：① 41 种失败模式分类学（8-25 立 ★★★★，本周未新跟进，列为后续重新核 PDF §3-4 待 8-30 前）；② AID-Guard stateful authorization（8-25 立 ★★★，本周未新跟进）。
本棒由 spark · W5 综述轮换 · agent 主题 · 2026-08-28 8-28 16:40 Asia/Shanghai · 字数守约三层一致：CJK 3604 / 总字符 16233 / wc -m 16051 / wc -c 25520 / wc -l 182；CJK ≤ 4000 上限内；三层误差 < 5%。