检索窗口:2026-11-10 至 2026-11-17 | 本期精选 5 项
版本状态:ModHarness-RL 与 HerAgent 为 11-13 的 v1,Only as Safe as the Weakest Agent 与 CoReMem 为 11-12 的 v1;DeLoop 为 10-14 的 v1,落在窗口之外,此前未推送,本期作为循环检测方向的补充收录。Weakest Agent 已被 NeurIPS 2026 Meta-Agents Workshop 接收,其余为预印本;五项论文页均未给出公开代码链接,GitHub 无法访问,仓库内容未核实。
本期的五项分别改一处运行时契约:模型看到什么(ModHarness-RL 的压缩与引导程序)、环境失败后恢复到哪(HerAgent 的块级检查点)、系统该信谁(Weakest Agent 的最弱读取者)、循环怎么判定(DeLoop 的重复签名)、记忆值多少(CoReMem 的下游效果计价)。
1. Only as Safe as the Weakest Agent: A Break That Appears Only When the System Is Multi-Agent(2026-11-12)
类型:论文(arXiv v1;已被 NeurIPS 2026 First Workshop on Meta Agents 接收;论文页未给出代码链接)
解决什么问题:安全评测长期针对孤立模型,但生产里的 agent 是多 agent 系统:强 orchestrator 把检索、读取、汇总委派给更便宜的子 agent,这正是 Claude Code、Codex 这类 harness 的常规用法。作者要问的是,隔离状态下已经被补上的攻击,在委派结构里是否还成立。
核心方法或评测设计:在磁盘文件库里植入一条伪造记录,让 agent 自己检索并据此作答或修改。强 orchestrator 亲自检索时,1,000 多次试验里几乎不产生有害修改;一旦把同样的检索交给更便宜的子 agent,同一模型、同一批事实上的失败数变成 20/180、44/180、75/180 和 553/900。18 个模型的模拟在交付通道上重复了同一效应:五个聚合器单独使用时几乎从不违规,却把被污染子 agent 的错误原样重复了 751/757 次。Claude Code、Codex 与一个参考 harness 都在未修改、使用各自子 agent 机制的情况下被攻破。
为什么对 Agent Harness 有价值:它把评测单位从「模型」推到「组合」:系统的安全水平落在最弱读取者附近,而不是 orchestrator 附近。对 harness 设计,这意味着委派边界本身就是攻击面,子 agent 的输出必须经过与主 agent 同级的校验;聚合器不能假设上游已经过滤。评测上,只测强模型或只测单 agent 会系统性高估安全性,安全基准应把「强 orchestrator + 弱子 agent + 聚合」当作一个配置来跑。样本是构造攻击而非自然分布,结论应理解为结构性风险而非发生率。
建议重点看:伪造记录的构造与「可检索但不可辨伪」条件;四种委派配置的失败计数差异;聚合器实验如何分离「子 agent 出错」与「聚合器放大」;对 harness 子 agent 接口的修复建议。
适用标签:整体 Benchmark
链接:论文 | 代码:论文页未给出公开仓库
2. ModHarness-RL: Recasting Harnesses as Learnable and Evolving Programs for Agentic RL(2026-11-13)
类型:论文(arXiv v1;未检索到正式发表版本;论文页未给出代码链接)
解决什么问题:agentic RL 通常在一个人写的、训练全程固定的 harness 下进行。但有效的 harness 取决于领域、数据和模型,并且会随模型训练而变化;固定 harness 等于把一个本应随策略调整的变量锁死。
核心方法或评测设计:把交互记录成结构化的 State,即一组带类型的块;harness 的两个核心组件写成这些块上的程序:Compression 程序把累积历史组装成模型上下文,Steering 程序在行为偏离时提供引导。训练期间,候选程序从近期轨迹中提出,先经执行验证,再在过去轨迹上回放,使 harness 跟得上模型行为的变化。主实验是 CodeSearch,另在 ALFWorld 与 BIRD SQL 上分析,模型规模 1.5B 到 8B。结果是 Compression 与 Steering 在多数设置下把留出性能提高到固定 harness 基线之上。
为什么对 Agent Harness 有价值:它把「上下文怎么压、偏离怎么纠」从手写规则变成可验证、可回放的程序,并且让这两件事随训练一起演化。执行验证加历史回放的组合很实用:新程序先在旧轨迹上重放,确认不会破坏已有行为,再进入训练,这比直接在线试错便宜得多。对做 agentic RL 或自动优化闭环的团队,State 的块类型设计是可直接借用的接口;局限是增益只在「多数设置」成立,且没有代码可复核。
建议重点看:State 的块类型划分;Compression 与 Steering 的程序接口;候选程序的执行验证与历史回放流程;CodeSearch 之外两个环境的差异,以及哪些设置没有提升。
适用标签:优化闭环
链接:论文 | 代码:论文页未给出公开仓库
3. HerAgent: A Block-Level Checkpointing Harness for Coding-Agent Environment Setup(2026-11-13)
类型:论文(arXiv v1,12 页;未检索到正式发表版本;论文页未给出代码链接)
解决什么问题:coding agent 要先搭出可执行环境,才能测试、调试和验证补丁。现有 setup agent 的控制粒度要么是单条命令、要么是整个脚本:前者恢复得太局部,清不掉被污染的状态;后者太粗,一失败就丢掉全部有用进度。
核心方法或评测设计:HerAgent 引入语义 setup block,把执行、验证、检查点、修复与回滚统一到同一个进度控制抽象上:一个块是一段语义完整的搭建步骤,成功即落检查点,失败则回滚到上一个块而不是整段重来。对六个已有 agent、四个环境搭建数据集评测,HerAgent 在每一组比较里都提高成功率,增益最大的是 Installamatic-Bench(52.0% 到 85.0%)与 SetupBench(46.3% 到 70.4%),同时把搭建成本最多降低 94.5%。
为什么对 Agent Harness 有价值:环境搭建是所有 coding benchmark 的前置条件,搭建失败会被算进模型分数,而它其实是 harness 的可靠性问题。块级检查点给出一个介于命令与脚本之间的粒度,既能清掉污染状态,又保留已完成进度;94.5% 的成本下降说明重试整段脚本的开销远大于按块回滚。对做执行沙箱、CI agent 或 benchmark 复现的团队,这个粒度选择比具体实现更值得抄。
建议重点看:语义块的切分规则与验证条件;检查点、回滚与修复三者的状态机;四个数据集上的逐项对比;成本核算包含哪些调用与重建开销。
适用标签:优化闭环
链接:论文 | 代码:论文页未给出公开仓库
4. DeLoop: Repeated Actions as Self-Supervision for Long-Horizon Agents(2026-10-14)
类型:论文(arXiv v1,窗口外补充,此前未推送;未检索到正式发表版本;论文称代码与数据将公开,检索时未见链接)
解决什么问题:长任务 agent 会重做已经做过的事:再次发出同一个工具调用、拿到完全相同的观测,这一步不带来任何新信息。作者把这种重复定义为循环,并发现它并非偶发——Qwen、Llama、Gemini 的 agent 都有,而且上下文压缩会让它显著变多。
核心方法或评测设计:循环的判定是签名重复:把工具调用规范化后与观测组成 (call, observation),若该签名在更早步骤出现过,即为一次循环动作。CodeGym 上,Qwen3-8B 的循环率(含至少一次循环的任务占比)在全历史下为 29.0%,换成摘要压缩后升到 57.3%,每任务循环动作数增加 3.5 倍以上;六个 Qwen3 与 Gemini 模型上,循环 run 平均失败率 59.5%,无循环 run 为 33.4%。训练方法 DeLoop 用 agent 自己的 rollout 造自监督对:循环动作为负例,同一 rollout 中之后第一个非循环动作为正例,用 DPO 训练,不需要任务奖励、标准答案或 LLM 评委。CodeGym 压缩设置下,Qwen3-8B 的循环率从 57.3% 降到 6.1%,每任务步数从 15.00 降到 4.67,token 减少 47%,任务成功率持平;Qwen3-32B 上成功率从 37.7% 升到 44.8%。
为什么对 Agent Harness 有价值:它给循环一个可计算的签名,而不是靠语义判断「agent 是不是卡住了」;更重要的是把上下文压缩和循环率连了起来:压缩省下的 token 可能以重复调用和失败率还回去。对 harness 工程,这意味着压缩策略的评测应同时报循环率与每任务步数,而不只看上下文长度。DeLoop 本身是训练侧修复,但检测逻辑可以直接放进运行时监控。局限是任务域为 CodeGym 类工具调用环境,代码尚未发布。
建议重点看:循环签名的规范化方式(哪些格式差异被忽略);压缩前后循环率与失败率的对照;自监督对的构造规则;步数、token 与成功率的联合报告。
适用标签:优化闭环
链接:论文 | 代码:论文称将公开,检索时未见链接
5. CoReMem: Cost-Internalizing Memory for Successive Coding Tasks with Prospective Valuation(2026-11-12)
类型:论文(arXiv v1;未检索到正式发表版本;论文页未给出代码链接)
解决什么问题:coding agent 在同一个持续演进的仓库上接连做任务,会把改动与记忆带到下一个任务,但写记忆时并不知道下一个任务是什么。选什么写进记忆,要在未来有用性与写入、读取成本之间权衡;执行时还要判断某条记忆是否真的省了力气。
核心方法或评测设计:CoReMem 用「下一任务上的实测价值」来指导记忆设计与 actor 适配。prospective segment valuation 在同一继承仓库状态下,比较下一任务在带与不带某段轨迹时的运行结果,据此把记忆压到锚点上:仓库位置与可执行检查。actor adaptation 在 rollout 组内比较有记忆与无记忆的策略价值,奖励优先解析成功、并在成功的 run 里惩罚步数;provenance-gated value credit 把额外的价值项分配给被识别为使用了记忆锚点的步骤,同时每一步保留结果信用。在 ChainSWE 上,27B actor 的 resolve 率从 21.0% 升到 25.7%,步数减少 17%,包含记忆模块调用在内的总 cache-aware token 减少 11%。
为什么对 Agent Harness 有价值:记忆评测常按相似度或召回打分,这篇按下游效果计价:一段记忆只有在下一任务里真的减少步数或提高解析率才算有价值。锚点选成「仓库位置 + 可执行检查」也很实用,两者都可验证,避免把自然语言总结当成事实。对做 coding agent 记忆或跨任务上下文的团队,prospective valuation 的对照设计可以直接复用;局限是只在 ChainSWE 与 27B 规模上验证,提升幅度不大。
建议重点看:prospective segment valuation 的对照方式与噪声控制;锚点的定义与写入规则;provenance-gated credit 如何避免把结果信用重复计入;步数与 token 的统计口径。
适用标签:Memory 评测
链接:论文 | 代码:论文页未给出公开仓库
今日最值得读的 1 项
Only as Safe as the Weakest Agent: A Break That Appears Only When the System Is Multi-Agent —— 它用同一批事实把「隔离评测」和「委派结构」摆在一起:强 orchestrator 自己检索时 1,000 多次几乎不出错,交给便宜子 agent 后失败数到 553/900,聚合器再把子 agent 的错误原样传递 751/757 次。结论对 harness 设计很直接:系统的安全水平由最弱读取者决定,子 agent 输出必须过和主 agent 同级的校验。
本文由每日研究速递任务自动整理。所有链接均应在发布前打开核对;无法确认的内容应标注“未能核实”,不要补写猜测性指标或结论。