每日 Harness 开源 · Source
全部刊期 · All issues

每日 Harness

2026-06-17 · Wednesday, June 17, 2026

智能体基建再升级

视图 · View

今日重点 · Today's Highlights

[TokenPilot: Cache-Efficient Context Management for LLM Agents](https://arxiv.org/abs/2606.17016)[^1] - 把 prompt cache continuity 当作上下文压缩的一等约束，在连续 agent 会话里同时处理 token 成本和 prefix cache 失效。

全文 ↓

[CODA-BENCH: Can Code Agents Handle Data-Intensive Tasks?](https://arxiv.org/abs/2606.15300)[^2] - 用 Kaggle 风格文件系统和代码执行任务测试 agent 的数据发现能力，最高 61.1% 成功率说明瓶颈不在单纯写代码。

全文 ↓

[Where Did It Go Wrong? Process-Level Evaluation of Web Agents with Semantic State Tracking](https://arxiv.org/abs/2606.15673)[^3] - 用语义 MDP 记录 web agent 的中间状态，让“成功率相近但失败原因不同”的模型差异可观测。

全文 ↓

[nvlabs/cutile-rs](https://github.com/nvlabs/cutile-rs)[^4] - 把 Rust ownership 约束推到 GPU kernel launch 边界，兼顾 memory safety、data-race freedom 和接近硬件峰值的吞吐。

全文 ↓

[trycua/cua](https://github.com/trycua/cua)[^5] - 将 computer-use agent 的 sandbox、桌面驱动、benchmark 和 VM 管理打包成可组合基础设施。

全文 ↓

论文 · Papers

15 项 · 论文

本期重点TokenPilot: Cache-Efficient Context Management for LLM Agents1arxiv.org原文 ↗

上下文工程框架与脚手架系统·基础设施

TokenPilot 解决长程 agent 会话中上下文累积与 prompt cache 断裂之间的冲突。它用 Ingestion-Aware Compaction 在全局稳定 prefix、过滤开放环境噪声，再用 Lifecycle-Aware Eviction 在局部按上下文片段生命周期批量卸载。实验在 PinchBench 和 Claw-Eval 上给出 isolated 模式 61%/56% 成本下降、continuous 模式 61%/87% 成本下降，技术看点是把 cache 命中率纳入上下文管理目标，而不是只追求更短 prompt。

–

本期重点CODA-BENCH: Can Code Agents Handle Data-Intensive Tasks?2arxiv.org原文 ↗

基准执行环境与沙箱数据·分析

CODA-BENCH 构建了同时要求代码能力和数据探索能力的 Linux sandbox。它基于 Kaggle 生态包含 1,009 个任务、31 个社区，每个任务环境平均 980 个文件，agent 必须先在噪声文件层级中找到相关资源，再生成分析代码。顶级系统成功率只有 61.1%，说明当前 code agent 在“找对数据”与“写对程序”的衔接上仍有明显短板。

–

本期重点Where Did It Go Wrong? Process-Level Evaluation of Web Agents with Semantic State Tracking3arxiv.org原文 ↗

评测方法基准计算机·Web

这项工作提出 WebStep，用自动语义状态跟踪替代只看最终成功/失败的 web agent 评测。WebStep 有 1,800 个任务实例，每个网站在 GUI 背后维护确定性 semantic MDP，从而无需人工标注即可分析中间轨迹。论文显示三个 agent 的成功率都在 31-33% 附近，但探索覆盖与执行准确度差异很大；在 Housing 任务里 OpenAI CUA commit 动作比 Qwen3.5 高 23.7%，filtering 却低 15.6%。

–

ExpRL: Exploratory RL for LLM Mid-Training6arxiv.org原文 ↗

Agent RL / 可验证奖励推理与规划研究·科学

ExpRL 用 RL-based mid-training 替代部分人工 curated reasoning traces。它把人类参考解隐藏起来，只用于生成 problem-specific grading rubrics；policy 从原 prompt 采样推理轨迹，再由 LLM judge 给 outcome-level 或 process-level dense rewards。论文报告在困难数学推理上优于 SFT、稀疏奖励 GRPO 和 self-distillation，并为后续 sparse-reward RL 提供更好的初始化；贡献在于把“学习推理原语”转成可扩展的探索与评分问题。

–

Ling and Ring 2.6 Technical Report: Efficient and Instant Agentic Intelligence at Trillion-Parameter Scale7arxiv.org原文 ↗

自进化Agent RL / 可验证奖励蒸馏与压缩其他垂直

Ling/Ring 2.6 报告描述一组从 Ling-2.0 升级而来的 trillion-parameter-scale agentic 模型。Ling-2.6 强调即时响应和每输出 token 能力，Ring-2.6 面向更深 reasoning 与复杂 workflow；架构上使用 Lightning Attention + MLA 的 hybrid linear attention。post-training 部分包括 Evolutionary CoT、LUPO、bidirectional preference alignment、shortest-correct-response distillation，以及支撑 Ring-2.6-1T 在 coding、search、tool use 和 workflow execution 上异步训练的 KPop。

–

Nemotron 3 Ultra: Open, Efficient Mixture-of-Experts Hybrid Mamba-Transformer Model for Agentic Reasoning8arxiv.org原文 ↗

Agent RL / 可验证奖励上下文工程测试时计算系统·基础设施

Nemotron 3 Ultra 是 550B total、55B active 的 MoE hybrid Mamba-Attention 模型。NVIDIA 报告其用 20T text tokens 预训练，随后扩展到 1M context，并经过 SFT、RL 与 MOPD post-training。LatentMoE、MTP、NVFP4 pre-training、multi-environment RLVR 和 reasoning budget control 共同服务于长程 agentic workload；官方称相对公开 SOTA LLM 在同等准确率下最高有约 6x 推理吞吐。

–

Prompt-Level Distillation: A Non-Parametric Alternative to Model Fine-Tuning for Efficient Reasoning9arxiv.org原文 ↗

蒸馏与压缩推理与规划其他垂直

PLD 把 teacher 的推理模式抽取成结构化 system prompt 指令，让小模型不经参数更新就获得更强决策逻辑。作者用 Gemma-3 4B 在 StereoSet 和 Contract-NLI 上测试，Macro F1 分别从 57% 到 90.0%、从 67% 到 83%。这不是“让 prompt 更长”的简单技巧，而是把 fine-tuning 的一部分功能移到可审阅、可修改的显式规则层。

–

FastContext: Training Efficient Repository Explorer for Coding Agents10arxiv.org原文 ↗

工具使用多智能体检索与知识接地编码

FastContext 将 repository exploration 从 coding solver 中拆出，训练 4B-30B 的专门探索子 agent。它按需并行调用工具，只返回文件路径和行号范围，减少探索阶段对主 agent history 的污染。接入 Mini-SWE-Agent 后，在 SWE-bench Multilingual、SWE-bench Pro 和 SWE-QA 上端到端解决率最高提升 5.5%，coding-agent token 消耗最高降低 60%；这给 code agent 架构中的“查找”和“修复”分工提供了实验证据。

–

ToolMenuBench: Benchmarking Tool-Menu Filtering Strategies for Reliable and Efficient LLM Agents11arxiv.org原文 ↗

基准工具使用上下文工程其他垂直

ToolMenuBench 把可见工具菜单本身作为 agent 评测对象。它系统改变菜单大小、干扰工具、状态依赖和风险暴露，并同时记录 visible-tool count、risky-tool exposure、wrong-tool calls、premature actions 与 token usage。七个模型后端、三种菜单大小、六种过滤方法和七个评测设置中，CMTF 把 all-tools exposure 下的 32.1% 成功率提到 85.7%，同时平均 token 使用约降 98%；结果说明 tool exposure 是 agent 接口设计问题，不只是上下文长度问题。

–

OSGuard: A Benchmark for Safety in Computer-Use Agents12arxiv.org原文 ↗

安全与攻防基准计算机·Web

OSGuard 针对 computer-use agent “达成目标但破坏环境”的失败模式建立评测。它有 action-level benchmark，也有从 OSWorld 手工构造的 risk-augmented execution suite，后者在原任务仍可完成的前提下引入破坏性 overwrite 等 latent hazards，并用状态安全不变量扩展评分器。论文的关键观察是 multimodal guardrail 在孤立动作判断上可以表现好，但放进完整执行链仍会暴露局部监督与端到端安全之间的落差。

–

PhoneHarness: Harnessing Phone-Use Agents through Mixed GUI, CLI, and Tool Actions13arxiv.org原文 ↗

框架与脚手架工具使用工作流与控制流计算机·Web

PhoneHarness 认为真实手机任务不只是 screen tapping，还需要在 GUI、device-side commands 和 host-side tools 之间路由。它提供混合动作执行 harness，使用 deterministic action routing、bounded GUI delegation 和可审计 traces，评分关注可观察副作用是否发生。annotated evaluation split 上 PhoneHarness 达到 75.0% pass rate，比最强非 PhoneHarness 设置高 12.9 个百分点；这里的贡献是把 mobile agent 评测从“看起来点对了”推进到“操作结果可验证”。

–

PrologMCP: A Standardized Prolog Tool Interface for LLM Agents14arxiv.org原文 ↗

协议与互操作工具使用推理与规划研究·科学

PrologMCP 把 Prolog 作为 stateful MCP server 暴露给 LLM agent，让模型负责翻译问题，符号求解器负责演绎推理。接口包含结构化错误报告和 per-session isolation，适配 translate-run-inspect-repair 循环。PARARULE-Plus 两个子集上，formalizer agent 在一般样本达到或追平 1.00 accuracy，在挑战子集仍接近 1.00/0.99，而 reasoning LLM 会降到 0.95/0.94；这说明深层演绎任务中外部符号工具仍有可衡量优势。

–

Skill-to-LoRA: From Using Skills to Learning Behaviors for Token-Efficient LLM Agents15arxiv.org原文 ↗

蒸馏与压缩技能系统编码

S2L 把 SKILL.md 从运行时长文本变成 skill-specific LoRA adapter。离线阶段用完整 skill 文档合成 demonstrations，在线阶段省去文档注入，动态加载 adapter 来激活对应行为。Qwen3.6-27B 在 21 个 SWE-Skills-Bench skill 子集上，相对 no-skill 和 Full Skill Text pass rate 分别提高 2.9 与 5.2 个百分点，且相对 Full Skill Text 每步 token 成本下降 6.6%；Wrong-LoRA 和 Shared-LoRA 的对照结果也说明收益来自 skill-specific alignment。

–

Open-SWE-Traces: Advancing Dual-Mode Multilingual Distillation for Software Engineering Agents16arxiv.org原文 ↗

蒸馏与压缩合成数据与训练环境框架与脚手架编码

Open-SWE-Traces 发布 207,489 条软件工程 agent 轨迹，覆盖九种语言和 20,000 个真实 PR。数据通过 OpenHands 与 SWE-agent harness 生成，结合 Minimax-M2.5 的 thinking traces 与 Qwen3.5-122B 的 non-thinking traces，并过滤到 MIT、Apache、BSD 等宽松许可证来源。用该数据微调 Qwen3-30B-A3B 系列后，最佳模型在 SWE-bench Verified、Multilingual 和 Pro 上分别达到 61.7%、57.1%、36.8% resolve rate；它更像 agent 蒸馏基础设施，而不是单一 benchmark 论文。

–

Artificial Intelligence Index Report 202617arxiv.org原文 ↗

arxiv.org

Stanford AI Index 2026 是年度指标汇编，覆盖 AI 技术、治理、教育、产业和基础设施。它不提出新模型或新训练方法，作用是把跨领域数据放进统一统计框架，帮助读者比较技术扩散、政策议题、教育供给和产业投入。对于本期其他偏 agent 和系统论文，这份报告提供的是宏观背景，而非可复现实验配方。

–

开源 / 项目 · Projects

12 项 · 开源 / 项目

PromptShark18github.com原文 ↗

可观测性与调试系统·基础设施

PromptShark 是 AI agent 的本地 proxy/debugger，只需改 OpenAI SDK base_url 即可让每个 API call 流经代理。它记录 request/response、prompt/completion token、成本、TTFT，并通过 C++ loop detector 识别重复 tool call，默认阈值是 3 次连续相同调用。Time-travel replay 允许从历史步骤编辑 JSON payload 后重跑，早期步骤由 SQLite cache 供应，适合排查 agent 无限循环和昂贵错误调用。

–

本期重点cuTile Rust4github.com原文 ↗

github.com

cuTile Rust 用 tile-based DSL 在 Rust 中写 GPU kernel，并把 ownership discipline 延伸到 GPU launch boundary。`#[cutile::module]` 会捕获 kernel AST，在需要时经 CUDA Tile IR JIT 成 cubin；host API 在 launch 前把 mutable tensor 分成 disjoint pieces，immutable tensor 则共享。README 引用论文数据：B200 上 element-wise 达 7 TB/s、GEMM 达 2 PFlop/s，安全抽象没有带来可测 runtime overhead，这使它比“Rust 绑定 CUDA”更接近一套并发安全模型。

–

VoiceDraw19voicedraw.com原文 ↗

voicedraw.com

VoiceDraw 是把口述系统设计讨论转换成架构图的网页工具。它的核心场景是把架构评审、需求澄清或白板讨论中的组件关系转成可视化图，而不是让用户手工拖拽节点。digest 没有给出模型、导出格式或协作能力细节，因此本条可确认的技术边界是语音/自然语言到系统图的交互转换。

–

Ctx20github.com原文 ↗

上下文工程技能系统检索与知识接地系统·基础设施

ctx 根据当前任务推荐 skill、agent、MCP server 和 harness，减少 agent 上下文里无关工具描述。它维护 102,928-node LLM-wiki graph，包含 91,464 skills、467 agents、10,790 MCP servers、207 harnesses 和 2.9M graph edges，目标是每次只加载 10-15 个相关组件。配套命令覆盖 repo scan、harness dry-run install、skill quality、skill health 和 local dashboard；项目把 context management 做成图推荐问题。

–

Kintsugi21github.com原文 ↗

安全与攻防执行环境与沙箱系统·基础设施

Kintsugi 是本地优先的命令拦截层，覆盖 AI agent 和人工 shell 操作。它用确定性规则与 bash AST parser 判断危险命令，LLM 只解释风险，不能降低阻断等级；命令隐藏在 substitution、heredoc 或 subshell 中也会被 AST pass 捕获。README 报告 0/176 dangerous commands leak to Safe、1.4M fuzz inputs 无崩溃、0 unsafe，并提供 snapshot undo、hash-chained audit log、TUI、panic switch 和 Claude Code/Codex/Cursor/Gemini 等 agent hooks。

–

Claireon22github.com原文 ↗

协议与互操作工具使用检索与知识接地其他垂直

Claireon 是运行在 Unreal Editor 内的 MCP server 插件。它把外部 MCP 表面收缩成 `tool_search` 和 `python_execute`，再在编辑器内部用 SQLite FTS5 与 embedding model 检索数百个 automation tools。功能覆盖 Blueprint、Animation、State Tree、Behavior Tree、UMG、Niagara、PCG、Data Table、PIE、Unreal Insights trace 和 Blueprint diff；还用 project path hash 生成稳定 per-worktree port，并提供可选 proxy 处理 editor 重启。

–

Agent Harness Lab23github.com原文 ↗

框架与脚手架评测方法可观测性与调试系统·基础设施

Agent Harness Lab 是比较 agent framework 的 Next.js workbench，而不是又一个单一 agent demo。它把 Graphlit 作为共享 context layer，让 Graphlit、OpenAI Agents SDK、Vercel AI SDK、LangGraph、Mastra、Claude Agent SDK 和 Google ADK 并行回答同一 prompt。每个 lane 保留自己的 session state，但使用相同 read-only tools，并记录 tool calls、sources、raw events、timings、token usage 与 judge scores；这种设计便于观察 harness 差异，而不是混入检索数据差异。

–

OpenACA24github.com原文 ↗

安全与攻防协议与互操作技能系统系统·基础设施

OpenACA 把 SCA 的思路迁移到 agent stack，扫描传统依赖工具看不到的 MCP、skills、plugins、hooks 和 commands。它解析 `mcp.json`、`.mcp.json`、`claude_desktop_config.json`、`.claude-plugin/plugin.json`、`.claude/settings.json`、`SKILL.md` 等，生成 Agent BOM，并把组件与 OSV/GHSA/CVE/MAL advisories 对齐。README 的示例显示 `@cyanheads/git-mcp-server@1.1.0` 通过 mcp.json 引入高危 GHSA，修复建议是升级到 >=2.1.5；这让 agent 配置改动可以进入 CI 安全审查。

–

Mcpwn25github.com原文 ↗

安全与攻防协议与互操作系统·基础设施

mcpwn 是 MCP server 的授权红队 CLI，覆盖连接、枚举、调用、代理和注入测试。它支持 stdio、Streamable HTTP、legacy SSE 自动识别，可以列出 tools/prompts/resources/resource templates，调用工具、读取资源，并进入 persistent interactive shell。更激进的测试能力包括把 HTTP/SSE 流量送进 Burp，以及为指定 tool argument 生成 sqlmap raw request；项目还附带 vulnerable MCP server 作为练习目标。

–

Kitchen Rush26github.com原文 ↗

基准工具使用测试时计算其他垂直

Kitchen Rush 把 tool-calling benchmark 做成实时厨房任务，延迟会直接消耗游戏时间。模型用 `collect`、`chop`、`cook`、`plate`、`serve` 等 native function calls 处理订单；思考越慢，食物越可能烧焦或订单越可能过期。每局输出 KR 0-100 分，0 是 do-nothing baseline，100 是零延迟脚本厨师；latency budget B 还把不同实时性要求分成独立 leaderboard，避免只看静态正确率。

–

GitHits27githits.com原文 ↗

检索与知识接地协议与互操作编码

GitHits 为 coding agents 提供依赖项目源代码上下文，形态是 CLI 与本地 MCP server。它的核心问题是 agent 处理真实 bug 时常常需要理解依赖实现，而包文档、类型签名或 README 不足以解释行为细节。把依赖源码暴露为可查询上下文，可以让 agent 在跨 repo 调试、API 行为追踪和版本差异分析中少依赖猜测。

–

Deep-XPIA28freyzo.github.io原文 ↗

安全与攻防基准多智能体其他垂直

Deep-XPIA 是面向多 agent 系统的 prompt injection benchmark。它把注入风险从单模型/单工具场景扩展到多个 agent 协作链路，重点观察攻击内容如何跨中间产物、角色和工具边界传播。这个基准的意义在于评估系统级防护，而不是只测试某个模型是否会在单轮对话中拒绝恶意指令。

–

行业动态 · Industry News

9 项 · 行业动态

Predicting model behavior before release by simulating deployment29openai.com原文 ↗

评测方法执行环境与沙箱安全与攻防编码

OpenAI 介绍 Deployment Simulation：重放经过隐私处理的历史真实对话，移除旧模型回答，让候选模型补全，再估计发布后不良行为频率。文章称共分析约 1.3M 去标识化 GPT-5 Thinking 系列对话，覆盖 20 类 undesired behavior，预测中位 multiplicative error 为 1.5x。它还把方法扩展到 120,000 条内部 agentic coding trajectories，通过工具模拟将真实/模拟 rollout 的辨别 win rate 从 11.6% 提到接近随机的 49.5%；这说明 agent 安全评测的难点正在从 prompt 集合转向环境仿真保真度。

–

Unlocking UK house-building with AI-accelerated planning30deepmind.google原文 ↗

deepmind.google

Google DeepMind 与英国政府合作开发用于住房规划决策的 AI 原型。条目将应用场景限定在 UK house-building 和 planning 流程，而不是建筑设计自动化或审批权替代。它代表基础模型进入公共行政中高文档负载、规则密集的环节，后续关键变量会是数据来源、可解释性、问责链条和人类审批边界。

–

Databricks Launches LTAP: A Unified OLAP/OLTP Data Architecture31databricks.com原文 ↗

databricks.com

Databricks 发布 LTAP，试图在 lakehouse 上统一事务型与分析型 workload。这个方向针对传统 OLTP database 与 OLAP warehouse 的分裂：业务写入、低延迟事务和大规模分析不再分别落在完全不同系统中。真正的技术检验会落在一致性、写入延迟、并发隔离和分析查询吞吐能否同时满足，而不只是命名一个新架构层。

–

SpaceX to buy Cursor for $60B32reuters.com原文 ↗

reuters.com

Reuters 报道 SpaceX 将以 600 亿美元收购 Cursor 母公司 Anysphere。digest 给出的可用事实是买方、标的和金额，没有交易结构、监管节点或产品整合细节。若从产业角度看，这条新闻把 AI coding 工具从开发者效率产品推到战略入口资产：控制 IDE/agent 工作流，等于靠近代码、模型调用和企业工程数据的交汇点。

–

Fox to buy Roku33news.ycombinator.com原文 ↗

news.ycombinator.com

HN 热帖讨论 Fox 收购 Roku 的交易消息。当前条目没有提供估值、原始公告或监管细节，因此它更像一条行业讨论入口。技术产业含义在媒体分发链条：内容公司拿到硬件/OS/广告平台入口后，推荐、广告库存和用户数据闭环会发生变化。

–

Salesforce to Acquire Fin (formerly Intercom) for $3.6B34news.ycombinator.com原文 ↗

news.ycombinator.com

HN 热帖讨论 Salesforce 以 36 亿美元收购 Fin/Intercom。这个金额把客服 agent 与 CRM 数据系统的耦合价值显性化：support bot 不再只是聊天窗口，而是客户记录、工单、销售线索和自动化流程的前端。收购逻辑的技术核心是 Fin 的自动化客服能力能否进入 Salesforce 的数据权限、审计和 workflow 体系。

–

Microsoft turns to AWS as GitHub faces AI capacity crunch35runtimewire.com原文 ↗

runtimewire.com

RuntimeWire 报道 GitHub AI 业务容量压力下 Microsoft 使用 AWS 资源。digest 没有给出资源规模，但事实本身说明 AI coding workload 的推理需求可能超过单一云内部调度的短期弹性。对于 GitHub Copilot、agentic coding 和 CI 内推理场景，容量规划已经从普通 SaaS 峰值问题变成 GPU/模型路由/多云供应链问题。

–

Claude: Elevated errors across many models36status.claude.com原文 ↗

status.claude.com

Anthropic status page 记录 Claude 多个模型出现 elevated errors。该条没有持续时间或错误率，但“across many models”说明事件不是某个单一模型版本的小范围问题。对生产 agent 系统而言，这类事件直接检验 retry、fallback model、队列降级和用户可见错误处理，而不是只影响聊天产品体验。

–

Specs Augmented Reality Glasses37newsroom.snap.com原文 ↗

newsroom.snap.com

Snap 发布新一代 Specs AR glasses 产品说明。digest 没有给出重量、视场角、电池和 SDK 细节，因此这里可确认的重点是 Snap 继续押注 AR 眼镜形态。该类硬件的技术难点不在单个 demo，而在输入、显示、感知、开发者工具和内容生态能否形成足够低摩擦的日常使用闭环。

–

博客文章 · Blog Posts

9 项 · 博客文章

Running local models is good now38vickiboykis.com原文 ↗

执行环境与沙箱安全与攻防编码

Vicki Boykis 的判断来自实际本地开发使用，而不是单个 leaderboard。她在 2022 M2 Mac、64GB RAM、1TB storage 上试过 Mistral 7B、Gemma、OpenAI OSS-20B、Qwen 3 MoE 等模型和 llama.cpp、Ollama、LM Studio 等栈，认为 Gemma 4 近期让本地 agentic coding 达到约 75% frontier 模型的准确/速度体感。文章给出 Pi + LM Studio + Docker 的具体配置，包括 `host.docker.internal:1234/v1`、容器挂载 workspace、限制工具权限；它把本地模型讨论从“能不能跑”推进到“怎样限制 blast radius”。

–

My Homelab AI Dev Platform39rsgm.dev原文 ↗

框架与脚手架工作流与控制流执行环境与沙箱系统·基础设施

这篇 homelab 文章把 OpenCode Web UI 放进 GitOps 运维链路。作者在 TrueNAS host 上建 VM，把 OpenCode webserver 做成 systemd unit，并给它专用 Git 用户：可以 clone 和 push feature branches，但不能直接推 deploy branch。实际工作流是 OpenCode 改 compose/Home Assistant/blog 仓库，作者审 PR，之后 Arcane、GitOps plugin 或 Cloudflare Pages worker 负责部署；文章明确指出当前缺口是 Forgejo Actions 日志不方便通过公开 API 给 agent 读取。

–

The octopus architecture for AI agents40blog.goodman.dev原文 ↗

工作流与控制流多智能体系统·基础设施

这篇文章提出一种 “octopus architecture”：中心协调器连接多个专门子系统，而不是把所有职责塞进单个 agent。这个思路适合 agent 工程中的职责分离，例如搜索、执行、记忆、验证和用户交互分别由不同“触手”承担。它的讨论价值在系统组织层面：当 agent 数量增加时，失败隔离、状态同步和工具路由会比单个 prompt 写法更关键。

–

Frontier post-training recipe review with Finbarr Timbers41interconnects.ai原文 ↗

Agent RL / 可验证奖励评测方法其他垂直

Interconnects 这篇文章讨论 frontier model post-training recipe，包括 SFT、RL 和评测实践。它关注的是训练后阶段如何把 base model 变成可用助手、reasoner 或 agent，而不是重新讲预训练 scaling law。此类 recipe review 的信息密度在于把公开论文、实验经验和 eval 反馈放到同一工程框架中，便于观察 frontier labs 的 post-training 共识正在往哪里收敛。

–

The Sequence Knowledge #878: Beyond Transformer: What We Learned42thesequence.substack.com原文 ↗

thesequence.substack.com

TheSequence 汇总 transformer alternatives 系列，主题是 Transformer 之外的路线及其取舍。digest 没有列出具体架构表，但该系列显然围绕长上下文效率、状态表示、attention 成本和训练生态展开。它更适合作为技术路线综述：判断替代架构时需要同时看吞吐、可训练性、硬件适配、上下文长度和现有工具链，而不是单看某个 benchmark。

–

The Fable 5 Export Controls Harm US Cyber Defense43simonwillison.net原文 ↗

simonwillison.net

Simon Willison 引述安全研究者对 Fable 5 export control 事件的技术背景说明，核心主张是相关出口控制会伤害美国网络防御。digest 没有提供政策条款或模型能力细节，因此正文聚焦它提出的技术张力：网络防御研究、漏洞分析和安全自动化同样依赖前沿模型。把模型能力简单归为“进攻风险”会忽略蓝队、审计和防护工具链也在使用同一能力基础。

–

datasette-agent 0.3a044simonwillison.net原文 ↗

工具使用工作流与控制流数据·分析

datasette-agent 0.3a0 新增带用户审批的写 SQL 工具。这个变化把 agent 从只读分析推进到可提出数据库 mutation，但把最终执行权留在人类确认步骤。它是数据库 agent 产品化中的一个小而重要的边界设计：模型可以生成操作计划和 SQL，系统必须在副作用发生前暴露清楚并等待批准。

–

Cloudflare CAPTCHA on at least one ampersand45simonwillison.net原文 ↗

simonwillison.net

Simon Willison 记录一次 Cloudflare WAF rule 调试，目标是减少搜索页面误触 CAPTCHA。digest 中的具体线索是包含 ampersand 的请求触发验证，这指向查询字符串解析或规则匹配中的 false positive。这个案例说明安全规则的成本不只在漏报，误报会直接损害搜索、文档和开发者工具这类高频页面的可用性。

–

How memory safety CVEs differ between Rust and C/C++46kobzol.github.io原文 ↗

kobzol.github.io

文章比较 Rust 与 C/C++ 项目中 memory-safety CVE 的类型差异。它的重点不是把 Rust 简化成“没有内存安全漏洞”，而是看漏洞在 unsafe、FFI、依赖、逻辑封装和传统越界/Use-after-free 等类别中的分布差异。这样的 CVE taxonomy 比语言宣传更有解释力，因为实际风险通常出现在安全边界和生态集成点。

–

引用来源 · References

55 条 · 引用
  1. 1 TokenPilot: Cache-Efficient Context Management for LLM Agents. arXiv:2606.17016https://arxiv.org/abs/2606.17016 ↩ 回到正文 · back to text
  2. 2 CODA-BENCH: Can Code Agents Handle Data-Intensive Tasks?. arXiv:2606.15300https://arxiv.org/abs/2606.15300 ↩ 回到正文 · back to text
  3. 3 Where Did It Go Wrong? Process-Level Evaluation of Web Agents with Semantic State Tracking. arXiv:2606.15673https://arxiv.org/abs/2606.15673 ↩ 回到正文 · back to text
  4. 4 nvlabs/cutile-rs. GitHubhttps://github.com/nvlabs/cutile-rs ↩ 回到正文 · back to text
  5. 5 trycua/cua. GitHubhttps://github.com/trycua/cua ↩ 回到正文 · back to text
  6. 6 ExpRL: Exploratory RL for LLM Mid-Training. arXiv:2606.17024https://arxiv.org/abs/2606.17024 ↩ 回到正文 · back to text
  7. 7 Ling and Ring 2.6 Technical Report: Efficient and Instant Agentic Intelligence at Trillion-Parameter Scale. arXiv:2606.15079https://arxiv.org/abs/2606.15079 ↩ 回到正文 · back to text
  8. 8 Nemotron 3 Ultra: Open, Efficient Mixture-of-Experts Hybrid Mamba-Transformer Model for Agentic Reasoning. arXiv:2606.15007https://arxiv.org/abs/2606.15007 ↩ 回到正文 · back to text
  9. 9 Prompt-Level Distillation: A Non-Parametric Alternative to Model Fine-Tuning for Efficient Reasoning. arXiv:2602.21103https://arxiv.org/abs/2602.21103 ↩ 回到正文 · back to text
  10. 10 FastContext: Training Efficient Repository Explorer for Coding Agents. arXiv:2606.14066https://arxiv.org/abs/2606.14066 ↩ 回到正文 · back to text
  11. 11 ToolMenuBench: Benchmarking Tool-Menu Filtering Strategies for Reliable and Efficient LLM Agents. arXiv:2606.15508https://arxiv.org/abs/2606.15508 ↩ 回到正文 · back to text
  12. 12 OSGuard: A Benchmark for Safety in Computer-Use Agents. arXiv:2606.15034https://arxiv.org/abs/2606.15034 ↩ 回到正文 · back to text
  13. 13 PhoneHarness: Harnessing Phone-Use Agents through Mixed GUI, CLI, and Tool Actions. arXiv:2606.14832https://arxiv.org/abs/2606.14832 ↩ 回到正文 · back to text
  14. 14 PrologMCP: A Standardized Prolog Tool Interface for LLM Agents. arXiv:2606.14935https://arxiv.org/abs/2606.14935 ↩ 回到正文 · back to text
  15. 15 Skill-to-LoRA: From Using Skills to Learning Behaviors for Token-Efficient LLM Agents. arXiv:2606.16769https://arxiv.org/abs/2606.16769 ↩ 回到正文 · back to text
  16. 16 Open-SWE-Traces: Advancing Dual-Mode Multilingual Distillation for Software Engineering Agents. arXiv:2606.16038https://arxiv.org/abs/2606.16038 ↩ 回到正文 · back to text
  17. 17 Artificial Intelligence Index Report 2026. arXiv:2606.15708https://arxiv.org/abs/2606.15708 ↩ 回到正文 · back to text
  18. 18 PromptShark. GitHubhttps://github.com/apvcode/PromptShark ↩ 回到正文 · back to text
  19. 19 VoiceDrawhttps://voicedraw.com/ ↩ 回到正文 · back to text
  20. 20 Ctx. GitHubhttps://github.com/stevesolun/ctx ↩ 回到正文 · back to text
  21. 21 Kintsugi. GitHubhttps://github.com/arrowassassin/kintsugi ↩ 回到正文 · back to text
  22. 22 Claireon. GitHubhttps://github.com/believer-oss/claireon ↩ 回到正文 · back to text
  23. 23 Agent Harness Lab. GitHubhttps://github.com/graphlit/agent-harness-lab ↩ 回到正文 · back to text
  24. 24 OpenACA. GitHubhttps://github.com/open-agent-security/openaca ↩ 回到正文 · back to text
  25. 25 Mcpwn. GitHubhttps://github.com/D0rs4n/mcpwn ↩ 回到正文 · back to text
  26. 26 Kitchen Rush. GitHubhttps://github.com/bassimeledath/kitchen-rush ↩ 回到正文 · back to text
  27. 27 GitHitshttps://githits.com/ ↩ 回到正文 · back to text
  28. 28 Deep-XPIAhttps://freyzo.github.io/deep-xpia/ ↩ 回到正文 · back to text
  29. 29 Predicting model behavior before release by simulating deploymenthttps://openai.com/index/deployment-simulation ↩ 回到正文 · back to text
  30. 30 Unlocking UK house-building with AI-accelerated planninghttps://deepmind.google/blog/unlocking-uk-house-building-with-ai-accelerated-planning/ ↩ 回到正文 · back to text
  31. 31 Databricks Launches LTAP: A Unified OLAP/OLTP Data Architecturehttps://www.databricks.com/company/newsroom/press-releases/databricks-launches-ltap-first-lake-transactionalanalytical ↩ 回到正文 · back to text
  32. 32 SpaceX to buy Cursor for $60Bhttps://www.reuters.com/legal/transactional/spacex-buy-anysphere-60-billion-2026-06-16/ ↩ 回到正文 · back to text
  33. 33 Fox to buy Rokuhttps://news.ycombinator.com/item?id=48540499 ↩ 回到正文 · back to text
  34. 34 Salesforce to Acquire Fin (formerly Intercom) for $3.6Bhttps://news.ycombinator.com/item?id=48540126 ↩ 回到正文 · back to text
  35. 35 Microsoft turns to AWS as GitHub faces AI capacity crunchhttps://runtimewire.com/article/microsoft-github-aws-ai-capacity-crunch ↩ 回到正文 · back to text
  36. 36 Claude: Elevated errors across many modelshttps://status.claude.com/incidents/xmhsglsz3h3w ↩ 回到正文 · back to text
  37. 37 Specs Augmented Reality Glasseshttps://newsroom.snap.com/introducing-specs-augmented-reality-glasses ↩ 回到正文 · back to text
  38. 38 Running local models is good nowhttps://vickiboykis.com/2026/06/15/running-local-models-is-good-now/ ↩ 回到正文 · back to text
  39. 39 My Homelab AI Dev Platformhttps://rsgm.dev/post/ai-dev-platform/ ↩ 回到正文 · back to text
  40. 40 The octopus architecture for AI agentshttps://blog.goodman.dev/blog/octopus-agent-architecture/ ↩ 回到正文 · back to text
  41. 41 Frontier post-training recipe review with Finbarr Timbershttps://www.interconnects.ai/p/frontier-post-training-recipe-review ↩ 回到正文 · back to text
  42. 42 The Sequence Knowledge #878: Beyond Transformer: What We Learnedhttps://thesequence.substack.com/p/the-sequence-knowledge-878-beyond ↩ 回到正文 · back to text
  43. 43 The Fable 5 Export Controls Harm US Cyber Defensehttps://simonwillison.net/2026/Jun/16/fable-5-export-controls/#atom-everything ↩ 回到正文 · back to text
  44. 44 datasette-agent 0.3a0https://simonwillison.net/2026/Jun/15/datasette-agent/#atom-everything ↩ 回到正文 · back to text
  45. 45 Cloudflare CAPTCHA on at least one ampersandhttps://simonwillison.net/2026/Jun/16/captcha-on-at-least-one-ampersand/#atom-everything ↩ 回到正文 · back to text
  46. 46 How memory safety CVEs differ between Rust and C/C++https://kobzol.github.io/rust/2026/06/15/how-memory-safety-cves-differ-between-rust-and-c-cpp.html ↩ 回到正文 · back to text
  47. 47 TencentCloud/TencentDB-Agent-Memory. GitHubhttps://github.com/TencentCloud/TencentDB-Agent-Memory ↩ 回到正文 · back to text
  48. 48 MODSetter/SurfSense. GitHubhttps://github.com/MODSetter/SurfSense ↩ 回到正文 · back to text
  49. 49 RyanCodrai/turbovec. GitHubhttps://github.com/RyanCodrai/turbovec ↩ 回到正文 · back to text
  50. 50 asgeirtj/system_prompts_leaks. GitHubhttps://github.com/asgeirtj/system_prompts_leaks ↩ 回到正文 · back to text
  51. 51 chatwoot/chatwoot. GitHubhttps://github.com/chatwoot/chatwoot ↩ 回到正文 · back to text
  52. 52 documenso/documenso. GitHubhttps://github.com/documenso/documenso ↩ 回到正文 · back to text
  53. 53 Emanuele-web04/synara. GitHubhttps://github.com/Emanuele-web04/synara ↩ 回到正文 · back to text
  54. 54 RustPython/RustPython. GitHubhttps://github.com/RustPython/RustPython ↩ 回到正文 · back to text
  55. 55 esrlabs/chipmunk. GitHubhttps://github.com/esrlabs/chipmunk ↩ 回到正文 · back to text