每日 Harness 开源 · Source
全部刊期 · All issues

每日 Harness

2026-06-27 · Saturday, June 27, 2026

智能体走向可控化

视图 · View

今日重点 · Today's Highlights

alibaba/page-agent4 - 一个住在网页里的 JavaScript GUI agent，用文本化 DOM 操作替代截图式浏览器自动化，适合直接嵌入 SaaS 产品。

全文 ↓

opendatalab/MinerU5 - 文档解析引擎把 PDF、Office、图片和网页转换成 Markdown/JSON，并把 OCR、表格、公式、MCP 与 RAG 集成放在同一条流水线上。

全文 ↓

论文 · Papers

15 项 · 论文

Neglected Free Lunch from Post-training: Progress Advantage for LLM Agents6arxiv.org原文 ↗

Agent RL / 可验证奖励评测方法测试时计算其他垂直

这篇论文从 RL post-training 里“免费”抽出 agent 过程奖励：RL policy 与 reference policy 的 log-probability ratio 被解释为 progress advantage，用来做 step-level scoring。作者在五个 benchmark、四个 model family 上把它用于 test-time scaling、不确定性估计和 failure attribution，结果优于 confidence baseline，且在无需任务专门训练的条件下超过 dedicated reward models。它值得看的是把过程监督从额外标注问题转成训练副产物问题，适合关心 agent 轨迹评估成本的人。

–

Information-Aware KV Cache Compression for Long Reasoning7arxiv.org原文 ↗

上下文工程测试时计算其他垂直

InfoKV 不只看 attention weight，而是加入 token predictive uncertainty 与 layer-wise representation evolution，捕获对远期上下文更有影响的 token。论文提出 Forward Influence，指出 attention 选中的 token 主要影响近邻上下文，而高不确定性 token 对远距离未来上下文更关键；在 Llama-3.1、Llama-3.2、DeepSeek-R1 的长推理场景中超过 attention-based KV 压缩。技术看点在于它把 cache compression 从“相关性裁剪”推进到“信息保留”。

–

When Does Combining Language Models Help? A Co-Failure Ceiling on Routing, Voting, and Mixture-of-Agents Across 67 Frontier Models8arxiv.org原文 ↗

工作流与控制流多智能体评测方法其他垂直

论文给多模型组合方法加了一个很硬的上限：如果系统输出必须来自某个成员模型，准确率最多是 1 减去所有模型共同答错的 beta。作者测了 21 家提供商的 67 个模型，开放数学任务观察 beta=0.052，而 Gaussian copula 估计只有 0.023，执行判分代码任务 beta=0.079。它的贡献是提醒路由、投票和 MoA 的收益来自“错在不同题”，不是模型越多越稳。

–

本期重点The Verification Horizon: No Silver Bullet for Coding Agent Rewards1arxiv.org原文 ↗

评测方法Agent RL / 可验证奖励安全与攻防编码

论文把 verifier 质量拆成 scalability、faithfulness、robustness，并指出测试、LLM judge、用户反馈和 agentic evaluator 都无法同时满足三者。一个具体结果是 SWE 类任务中加入 quality judge 与 trajectory monitoring 后，hacked resolved rate 从 28.57% 降到 0.56%，clean resolved rate 从 40.22% 升到 60.53%。它的局限也清楚：结论不是某个奖励函数胜出，而是验证基础设施要持续迭代。

–

本期重点Instruction Bleed: Cross-Module Interference in Prompt-Composed Agentic Systems2arxiv.org原文 ↗

上下文工程评测方法其他垂直

论文定义 compositional behavioral leakage，解释为什么没有共享变量的 prompt 模块仍会因为同处一个上下文窗口而互相影响。实验在 Claude Sonnet 4.6 的 job-evaluation agent 上跑 144 trials，只有 content perturbation 产生可检测 paired effect，Cohen's d=0.63，且没有 recommendation flip。它把“改一个 prompt 影响另一个模块”的工程直觉变成可测量失效模式。

–

Autoformalization of Agent Instructions into Policy-as-Code9arxiv.org原文 ↗

安全与攻防协议与互操作工作流与控制流其他垂直

这篇把 agent prompt、MCP tool 描述和自然语言 policy 文档翻译成 Cedar Policy Language，用 generator-critic loop 生成可执行策略。作者在 MedAgentBench 上报告 autoformalized policies 覆盖的自然语言规范显著多于既有手写 symbolic enforcement。它的实际意义在于把 agent guardrail 从 prompt/classifier 迁移到可审计的 policy-as-code，但策略正确性仍受自动形式化质量约束。

–

本期重点SKILL-DISCO: Distilling and Compiling Agent Traces into Reusable Procedural Skills3arxiv.org原文 ↗

技能系统蒸馏与压缩计算机·Web

论文将 FSM-defined scenarios 里的成功轨迹看作未知转移图路径，把可复用 skill 表示成 parameterized finite-state-machine subgraphs。SkillDisCo 从 successful traces 蒸馏 PFSM 子图，再编译成 callable、executable、verifiable procedural skills；ALFWorld 与 WebArena 实验显示成功率提升且 agent turns 减少。它抓住了 agent 反复解相似任务的浪费，方法也比“存一段经验文本”更可执行。

–

Memory Depth, Not Memory Access: Selective Parametric Consolidation for Long-Running Language Agents10arxiv.org原文 ↗

Agent 记忆自进化其他垂直

论文区分 memory access 和 memory depth：检索能找回事实，但不保证经历在上下文卸载后继续影响行为。作者用 loop-drift protocol 测试长期干扰下的目标保持，EVAF 通过 surprise 与 valence gated LoRA 写入实现选择性巩固；在 GPT-2/TinyLlama 上，retrieval 短事实准确率 0.956-0.973，EVAF 的 goal persistence 与 post-unload recovery 达 0.812-0.904。它把长期 agent memory 的问题边界划得更细。

–

Diagnosing Task Insensitivity in Language Agents11arxiv.org原文 ↗

Agent RL / 可验证奖励推理与规划其他垂直

论文分析 language agent 在相似但不同任务上套用训练模式的 task insensitivity。作者发现任务描述被语义破坏或替换时，模型仍可能输出原任务动作，并伴随训练期 attention 从 task tokens 漂向局部 observation。Task-Perturbed NLL Optimization 的价值在于用轻量 contrastive regularizer 强化动作对任务指令的依赖，缓解 OOD shortcut。

–

Semantic Early-Stopping for Iterative LLM Agent Loops12arxiv.org原文 ↗

工作流与控制流测试时计算其他垂直

论文把 writer-critic 等循环的停止条件从固定轮数改成语义变化和质量改进信号。HotpotQA 60 题实验中，judge-free semantic stopper 相比 max_iterations 减少 38% operational tokens，质量基本持平；full quality-gated 版本反而因每轮 judge 成本过高而不划算。它把循环 agent 的成本问题拆开：什么时候停相对容易，哪一轮最好仍是开放问题。

–

Context Recycling for Long-Horizon LLM Inference13arxiv.org原文 ↗

上下文工程检索与知识接地其他垂直

ContextForge 通过 structured query generation、external memory retrieval 和 controlled synthesis 回收长对话中的任务相关上下文。论文使用 15-turn healthcare query benchmark，覆盖多轮推理、回指和 domain shifts；相同底层模型下，它减少 token 消耗并提升一致性，同时保持相近准确率。它提供了一条不扩大 context window、不重训模型的长程推理工程路线。

–

A Deterministic Control Plane for LLM Coding Agents14arxiv.org原文 ↗

工作流与控制流框架与脚手架安全与攻防编码

论文研究 coding agent 配置文件作为未声明共享组件的传播风险。作者扫描 10,008 个公开 GitHub repo 和 6,145 个 agent config，发现 10.1% tracked paths 在独立 repo 间 SHA-256 完全重复，75.5% clone pairs 跨组织，且少于 1% 的 agent configs 声明权限边界。Rel(AI)Build 的重点是把 rules、permissions、lockfiles、audit logs 和多 IDE 编译变成确定性控制面，而不是再交给 LLM 自我管理。

–

Adaptive Evaluation of Out-of-Band Defenses Against Prompt Injection in LLM Agents15arxiv.org原文 ↗

安全与攻防评测方法计算机·Web

论文把 CaMeL、FIDES、Progent、RTBAS、FORGE 等 out-of-band 防御归纳为传统完整性保护、reference monitor 与 least privilege。作者在 AgentDojo 上用 Qwen2.5-7B 和单 H200 复现 Progent，平均攻击成功率从 25.8% 降到 4.2%，手写 adaptive attack 为 2.6%。它的谨慎之处是没有把小规模黑盒结果外推成定论，白盒 GCG 攻击仍被列为开放风险。

–

GUI vs. CLI: Execution Bottlenecks in Screen-Only and Skill-Mediated Computer-Use Agents16arxiv.org原文 ↗

基准技能系统工具使用计算机·Web

论文构建 440 个桌面任务、18 个应用、12 类 workflow 的匹配 benchmark，控制 goal、初始状态和 verifier，仅改变执行通道。最强 GUI agent full pass rate 为 59.1%，原始 skill CLI 为 48.2%，但 verifier-guided skill augmentation 把 CLI 提到 69.3%。结论不是 GUI 或 CLI 单方面胜出，而是 GUI 受长程 grounded interaction 限制，CLI 受 skill coverage 限制。

–

OPID: On-Policy Skill Distillation for Agentic Reinforcement Learning17arxiv.org原文 ↗

蒸馏与压缩技能系统Agent RL / 可验证奖励其他垂直

OPID 从 on-policy completed trajectories 中抽取 hindsight skills，episode-level skills 表示全局 workflow，step-level skills 覆盖关键局部决策。方法让旧策略在原始 context 与 skill-augmented context 下重算同一 response 的 log-probability shift，形成 token-level self-distillation advantage，并与 outcome advantage 结合优化。ALFWorld、WebShop 和 Search-based QA 上的结果显示它能提升性能、样本效率和鲁棒性。

–

开源 / 项目 · Projects

15 项 · 开源 / 项目

OpenKnowledge - open source AI-first alternative to Obsidian/Notion18github.com原文 ↗

Agent 记忆协议与互操作其他垂直

OpenKnowledge 是 local-first WYSIWYG Markdown editor 和 LLM Wiki，目标是把个人笔记、spec、知识库和 agent second brain 放在同一个工作面里。README 明确支持 Claude、Codex、Cursor 协作编辑，也能通过 MCP/CLI 给 OpenCode 等 harness 使用；它还用 git/GitHub 做 team sharing 与 auto-sync，并提供 desktop TUI 与 Web UI。项目的技术看点是把 Markdown 编辑器和 agent workspace 合并，而不是只给笔记软件加聊天侧栏。

–

Smart model routing directly in Claude, Codex and Cursor19github.com原文 ↗

框架与脚手架工作流与控制流可观测性与调试系统·基础设施

workweave/router 是 Anthropic、OpenAI、Gemini 兼容的本地/自托管 proxy，用 on-box embedder 和 cluster scorer 为每个请求选模型。README 声称路由延迟小于 50ms，并支持 streaming、tools、vision、OpenRouter OSS 模型、BYOK 本地加密和 OTLP traces；安装路径从 `npx @workweave/router` 到 Postgres + dashboard self-hosted stack 都覆盖。它适合观察“模型选择”从手工配置变成 agent runtime 基础设施。

–

Mantis, A self-hosted LLM gateway20github.com原文 ↗

框架与脚手架工作流与控制流可观测性与调试系统·基础设施

Mantis 给小团队提供一个自托管 LLM gateway，把 provider-specific logic 收敛到单一 chat-completions API 后面。README 列出 configurable routing、fallback chains、retries、timeouts、cooldowns、exact/semantic caching、AWS Bedrock guardrails 和 CloudWatch observability。它不是模型能力项目，而是把多模型应用中的运维面、合规面和成本面集中到 gateway 层。

–

TBD, a Mac-native CLI-forward coding agent multiplexer21github.com原文 ↗

框架与脚手架工作流与控制流编码

TBD 是 macOS 原生 SwiftUI 应用，用于管理 git worktrees、embedded terminals 和多 Claude Code sessions。架构上有 tbdd daemon 管 SQLite/GRDB、tmux、git 状态，tbd CLI 做脚本入口，TBDApp 用 SwiftTerm 做 GUI，并通过 Unix socket 上的 JSON RPC 通讯。它的取向很明确：不是替代 CLI agent，而是把多 worktree、多 terminal、多 session 变成可视化操作面。

–

BetterDB, MIT Valkey-native context layer for AI agents22github.com原文 ↗

Agent 记忆检索与知识接地可观测性与调试系统·基础设施

BetterDB packages 是一组 Valkey/Redis-native 的 agent context 组件，包括 semantic cache、agent cache、agent memory、retrieval、MCP observability server 和 monitor CLI。README 中 semantic-cache 使用 Valkey vector search、reranking、LLM-as-judge、embedding cache、cost tracking 和 OpenTelemetry/Prometheus；agent-cache 覆盖 LLM responses、tool results 与 session state。它展示了“agent memory/cache”正在向数据库原语靠拢。

–

Xtra - a Python framework for reasoning about AI system threats23github.com原文 ↗

安全与攻防工作流与控制流其他垂直

xtra 用有限状态机检测 conversational social engineering，不使用 LLM、embedding 或 semantic search。它跟踪 flattery density、give/ask ratio collapse、escalation velocity、reciprocity pressure、decoy turn detection 和 scope mismatch，并按 NEUTRAL -> RAPPORT_BUILD -> TRUST_ESTABLISHED -> EXTRACTION_ATTEMPT -> FLAGGED 路径判断攻击。这个项目小，但代表一种反 AI 化的安全设计：用可解释状态转移处理高风险对话模式。

–

Shotlist - Make your AI agent prove its work with real screenshots24github.com原文 ↗

可观测性与调试评测方法计算机·Web

Shotlist 用 `.shotlist.yaml` 把截图流程提交到仓库，让 Web 页面、真实 Terminal 窗口、渲染 CLI 输出和持久 session 都能一键重拍。README 说明 `shotlist run` 会生成 PNG、index.html proof report 与 manifest.json，`shotlist check` 可在 CI 中发现截图漂移，Claude integration 只负责帮你写配置，实际捕获由确定性程序完成。它把“agent 做完了”转成可审计视觉证据。

–

ZeroGate - API gateway to scale cloud GPUs to zero when idle25github.com原文 ↗

执行环境与沙箱工作流与控制流系统·基础设施

ZeroGate 是事件驱动的 GPU orchestration fabric，位于 application gateway 与底层硬件提供商之间，处理 vLLM 多租户推理的排队、扩容、闲置回收和计费记录。README 描述 Redis distributed locks、Kafka gateway、PostgreSQL billing ledger、本地 mock mode、simulator 和 10 秒 idle cleanup demo。它把 GPU 成本优化从调度器细节暴露成 API gateway/daemon 产品形态。

–

Jargo - a Golang port of Pipecat for conversational-AI apps26github.com原文 ↗

框架与脚手架工作流与控制流其他垂直

jargo 是 Go 版实时语音 agent 框架，走 WebRTC-native、audio-first 路线。README 说明它实现 STT -> LLM -> TTS streaming pipeline，支持 turn-taking、barge-in、Silero VAD、Smart Turn v3、RTVI data channel、Pion WebRTC 与 pluggable services；作者强调 Go 的静态二进制、低内存和并发优势。项目仍是 early work in progress，但方向是把语音 agent plumbing 从 Python 服务拆出来。

–

Uv-matrix - A tiny matrix runner for Python projects using Astral uv27github.com原文 ↗

github.com

uv-matrix 是围绕 Astral uv 的小型 Python 测试矩阵 runner，用于跑多版本或多组合测试矩阵。这类工具的工程价值在于降低 tox/nox 配置复杂度，并让项目更容易在 CI 中覆盖多个 Python 环境。它适合作为 uv 生态继续吞并 Python packaging/test workflow 的一个小信号。

–

Dial9, a tool for diagnosing p99+ performance in Rust programs28github.com原文 ↗

github.com

dial9 是 Tokio/Rust 应用的 telemetry microscope，低开销记录大量事件后离线分析。README 说明它可以整合 Tokio runtime、操作系统和应用事件，生成 trace files、HTML static viewer，并提供 agent toolkit 做脚本分析；生产配置包括磁盘 trace budget、S3 上传、CPU/内存 profiling、socket accept queue 和 task dump。它针对的是 p99+ 长尾性能里“知道 Tokio 到底在干什么”的可观测性缺口。

–

Reed-Solomon for OCR: error correction for messy printed codes29github.com原文 ↗

github.com

这个项目把 Reed-Solomon error correction 应用到脏污、不完整或 OCR 不稳定的印刷码。核心思路是用纠错码处理 messy printed codes，而不是提升 OCR 模型本身；工程路径更像把 OCR 输出当作带噪符号流，然后用冗余校验恢复可读内容。它适合票据、标签、工业标识等“码本身可设计”的场景。

–

Slisp: Simple Lisp compiler30github.com原文 ↗

github.com

slisp 是用 Go 写的 Lisp compiler，可以把 Lisp 程序编译成 Linux/AMD64 standalone assembly。README 列出 bindings、functions、integers、strings、lambdas、lists、closures、runtime type detection、bump allocator，以及 cond/defun/if/lambda/let/list/set 等 special forms；反特性包括无 GC、无 macros、无 quote。作为学习型编译器，它胜在功能边界坦诚且能产出真实汇编。

–

youre-the-os: A game where you are a computer's OS31github.com原文 ↗

github.com

you're-the-os 把玩家放在操作系统的位置上，需要调度 processes、memory 和 I/O events，防止进程 idle 太久导致用户重启。README 提供网页版本、itch.io、desktop/web/sandbox/automation 模式，并要求 Python 3.14 与 Pipenv。它有趣的地方是把 OS 教学抽象做成压力管理游戏，而不是传统流程图模拟器。

–

Loomabase - Column-level CRDT sync for SQLite + Postgres32github.com原文 ↗

github.com

Loomabase 是 Rust 写的 SQLite/Postgres offline-first sync engine，核心是 column-level CRDT，而不是 row/document 级冲突解决。README 描述每个 cell 是 typed LWW register，排序键为 `(lamport_clock, device_id)`；它还实现 row lifecycle CRDT、authoritative partial replicas、schema fingerprint、policy-aware sync、audit log、SQLx/rusqlite 事务和 unsafe-free core。它适合关注本地优先应用里“离线编辑不互相覆盖”的同步语义。

–

行业动态 · Industry News

10 项 · 行业动态

Previewing GPT-5.6 Sol: a next-generation model33openai.com原文 ↗

openai.com

OpenAI 发布 GPT-5.6 Sol 预览，叙述重点放在 coding、science、cybersecurity 能力和安全系统上。技术事实不只是新模型命名，而是能力发布和访问/安全叙事被绑定在同一篇官方材料里。它反映 frontier model 发布正在从“benchmark 展示”转向“能力、风险和准入机制一起发布”。

–

U.S. government will decide who gets to use GPT-5.634washingtonpost.com原文 ↗

washingtonpost.com

Washington Post 报道称 OpenAI 最新模型访问将引入美国政府 vetting 机制。核心事实是高能力模型用户准入不再完全由厂商内部 policy 决定，而可能进入政府审核流程。这个变化把模型发布问题从产品权限扩展到国家安全、出口管制和商业客户筛选。

–

Computer use in Gemini 3.5 Flash35blog.google原文 ↗

工具使用执行环境与沙箱计算机·Web

Google 介绍 Gemini 3.5 Flash 的 computer-use 能力，说明其产品线继续向可操作界面的 agent 执行层延伸。这条的重点是能力类别：模型不只是生成文本，还承担屏幕/应用操作。它与 GUI/CLI agent 论文形成呼应，行业正在把 computer use 从研究 demo 推进到主力模型功能。

–

IBM debuts sub-1 nanometer chip technology36newsroom.ibm.com原文 ↗

newsroom.ibm.com

IBM 公布 sub-1 nanometer chip technology 相关研发进展。这里的事实是 IBM 将芯片路线图叙事推进到 1nm 以下，而不是量产公告。它的观察点在于 AI 算力需求把先进制程、封装和材料研发继续推到硬件新闻中心。

–

Elastic lays off 7% of employees37elastic.co原文 ↗

elastic.co

Elastic CEO Ash Kulkarni 发布员工信，宣布裁员 7%。这类调整发生在搜索、observability 与安全平台都在重排 AI 投资优先级的背景下。它不是单纯人事新闻，也反映基础软件公司在增长、利润和 AI 产品投入之间重新分配资源。

–

Windows 10 quietly gets one more year of support and updates38neowin.net原文 ↗

neowin.net

Neowin 报道 Windows 10 获得额外一年支持和更新。关键事实是支持窗口延长一年，这会影响企业迁移、老设备生命周期和开发测试矩阵。对软件生态而言，长尾操作系统不会因为新版本发布而迅速消失。

–

Jolla Phone (October 2026)39commerce.jolla.com原文 ↗

commerce.jolla.com

Jolla 上线 2026 年 10 月版手机产品页。可确认的信息是 Jolla 仍在围绕独立手机/Sailfish 生态做产品化入口。它在 Android/iOS 双寡头之外提供了一个小众但持续的移动平台信号。

–

Data centers trigger voter backlash41newsweek.com原文 ↗

newsweek.com

Newsweek 报道美国地方选举中出现围绕数据中心建设的选民反弹。关键事实是数据中心项目已经进入地方政治竞争，而不仅是招商和基础设施审批。AI 基础设施扩张越快，电力、水、土地、噪音、税收和就业承诺就越可能成为社区层面的硬约束。

–

PlayStation Is Deleting 551 Movies from Customers' Accounts42kotaku.com原文 ↗

kotaku.com

Kotaku 报道 PlayStation 因授权变化从用户账户中移除 551 部 StudioCanal 电影。这个数字让数字媒体“购买”的授权本质变得很具体：用户账户里的内容仍依赖平台和版权方持续合作。它对软件产品的启示是，数字所有权与可撤销许可之间的边界仍没有被消费者体验真正消化。

–

博客文章 · Blog Posts

9 项 · 博客文章

Incident Report: CVE-2026-LGTM44simonwillison.net原文 ↗

安全与攻防工作流与控制流编码

这是一篇假想 incident report，围绕 AI review agent、依赖更新和自动化失控展开。主线是 review agent、dependency update 与自动化链路互相放大问题。它像一份工程寓言：当“LGTM”被自动化系统消费，错误不再停留在代码评审层，而会沿 CI/CD 和 release pipeline 扩散。

–

AI and Liability45simonwillison.net原文 ↗

simonwillison.net

Simon Willison 摘录并评论 Bruce Schneier 关于 AI overview 错误责任的观点。文章关注的不是模型幻觉本身，而是当 AI 摘要进入搜索和产品入口后，错误责任该由谁承担。它把 AI 产品讨论从“准确率还会提升”转到“出错时谁赔、谁改、谁解释”。

–

The gap between open weights LLMs and closed source LLMs46blog.doubleword.ai原文 ↗

blog.doubleword.ai

Doubleword 讨论 open weights LLM 与闭源 frontier model 的能力差距。这条更像立场梳理：开放权重带来自部署、透明度和成本控制，但复杂任务能力仍可能落后闭源前沿模型。它能帮助区分“可控性优势”和“能力领先”这两个经常被混在一起的指标。

–

The Exhaustion of Talking to a Tool47ohadravid.github.io原文 ↗

ohadravid.github.io

文章讨论持续用自然语言操作工具带来的疲劳。自然语言确实降低首次使用门槛，但如果每一步都要解释意图、等待生成、纠正误解，成本会从点击和快捷键转成对话管理。它给 AI 产品设计提了一个具体警告：chat interface 不是所有工具操作的终局。

–

Why software engineers are grieving48dev.jimgrey.net原文 ↗

dev.jimgrey.net

个人博客讨论软件工程师面对行业变化时的失落感。文章指向的是职业身份层面的 grief，而不只是就业市场新闻。它把 AI coding、组织裁剪、管理期待和工程文化变化放进同一条情绪线索里，解释为什么一些工程师感到失去的不只是任务分工。

–

Making devenv start fast, and the whole nixpkgs with it49devenv.sh原文 ↗

devenv.sh

devenv 团队介绍提升启动速度和改善 nixpkgs 性能的工作。关键是这不是一个小 CLI 的启动微优化，而是牵涉 nixpkgs 层面性能路径。它说明开发环境工具的竞争点正在从“能否复现”扩展到“复现是否足够快到日常可用”。

–

Anatomy of a Failed (Nation-State?) Attack50grack.com原文 ↗

grack.com

文章拆解一次疑似国家级攻击尝试的失败过程。核心是失败攻击的 anatomy，而不是单纯 IOC 列表。它的阅读价值在于展示防御为何奏效、攻击者在哪些环节失误，以及哪些成功可能只是环境偶然性。

–

The Sequence Opinion #884: Self-Driving Labs: The Laboratory That Chooses Its Next Experiment51thesequence.substack.com原文 ↗

推理与规划工作流与控制流研究·科学

TheSequence 介绍 self-driving lab：系统自动选择、执行并根据结果更新下一步实验。关键是实验室从执行工具变成闭环决策系统。它与 agent planning 的关系很直接：科学实验中的 action space、反馈延迟和成本约束比网页 agent 更硬，因而更能检验自主决策系统。

–

引用来源 · References

59 条 · 引用
  1. 1 The Verification Horizon: No Silver Bullet for Coding Agent Rewards. arXiv:2606.26300https://arxiv.org/abs/2606.26300 ↩ 回到正文 · back to text
  2. 2 Instruction Bleed: Cross-Module Interference in Prompt-Composed Agentic Systems. arXiv:2606.26356https://arxiv.org/abs/2606.26356 ↩ 回到正文 · back to text
  3. 3 SKILL-DISCO: Distilling and Compiling Agent Traces into Reusable Procedural Skills. arXiv:2606.26669https://arxiv.org/abs/2606.26669 ↩ 回到正文 · back to text
  4. 4 alibaba/page-agent. GitHubhttps://github.com/alibaba/page-agent ↩ 回到正文 · back to text
  5. 5 opendatalab/MinerU. GitHubhttps://github.com/opendatalab/MinerU ↩ 回到正文 · back to text
  6. 6 Neglected Free Lunch from Post-training: Progress Advantage for LLM Agents. arXiv:2606.26080https://arxiv.org/abs/2606.26080 ↩ 回到正文 · back to text
  7. 7 Information-Aware KV Cache Compression for Long Reasoning. arXiv:2606.26875https://arxiv.org/abs/2606.26875 ↩ 回到正文 · back to text
  8. 8 When Does Combining Language Models Help? A Co-Failure Ceiling on Routing, Voting, and Mixture-of-Agents Across 67 Frontier Models. arXiv:2606.27288https://arxiv.org/abs/2606.27288 ↩ 回到正文 · back to text
  9. 9 Autoformalization of Agent Instructions into Policy-as-Code. arXiv:2606.26649https://arxiv.org/abs/2606.26649 ↩ 回到正文 · back to text
  10. 10 Memory Depth, Not Memory Access: Selective Parametric Consolidation for Long-Running Language Agents. arXiv:2606.26806https://arxiv.org/abs/2606.26806 ↩ 回到正文 · back to text
  11. 11 Diagnosing Task Insensitivity in Language Agents. arXiv:2606.26918https://arxiv.org/abs/2606.26918 ↩ 回到正文 · back to text
  12. 12 Semantic Early-Stopping for Iterative LLM Agent Loops. arXiv:2606.27009https://arxiv.org/abs/2606.27009 ↩ 回到正文 · back to text
  13. 13 Context Recycling for Long-Horizon LLM Inference. arXiv:2606.26105https://arxiv.org/abs/2606.26105 ↩ 回到正文 · back to text
  14. 14 A Deterministic Control Plane for LLM Coding Agents. arXiv:2606.26924https://arxiv.org/abs/2606.26924 ↩ 回到正文 · back to text
  15. 15 Adaptive Evaluation of Out-of-Band Defenses Against Prompt Injection in LLM Agents. arXiv:2606.26479https://arxiv.org/abs/2606.26479 ↩ 回到正文 · back to text
  16. 16 GUI vs. CLI: Execution Bottlenecks in Screen-Only and Skill-Mediated Computer-Use Agents. arXiv:2606.24551https://arxiv.org/abs/2606.24551 ↩ 回到正文 · back to text
  17. 17 OPID: On-Policy Skill Distillation for Agentic Reinforcement Learning. arXiv:2606.26790https://arxiv.org/abs/2606.26790 ↩ 回到正文 · back to text
  18. 18 OpenKnowledge - open source AI-first alternative to Obsidian/Notion. GitHubhttps://github.com/inkeep/open-knowledge ↩ 回到正文 · back to text
  19. 19 Smart model routing directly in Claude, Codex and Cursor. GitHubhttps://github.com/workweave/router ↩ 回到正文 · back to text
  20. 20 Mantis, A self-hosted LLM gateway. GitHubhttps://github.com/mantis-llm-gateway ↩ 回到正文 · back to text
  21. 21 TBD, a Mac-native CLI-forward coding agent multiplexer. GitHubhttps://github.com/cheapsteak/tbd ↩ 回到正文 · back to text
  22. 22 BetterDB, MIT Valkey-native context layer for AI agents. GitHubhttps://github.com/BetterDB-inc/monitor/tree/master/packages ↩ 回到正文 · back to text
  23. 23 Xtra - a Python framework for reasoning about AI system threats. GitHubhttps://github.com/TangibleResearch/xtra ↩ 回到正文 · back to text
  24. 24 Shotlist - Make your AI agent prove its work with real screenshots. GitHubhttps://github.com/varmabudharaju/shotlist ↩ 回到正文 · back to text
  25. 25 ZeroGate - API gateway to scale cloud GPUs to zero when idle. GitHubhttps://github.com/noah-garner/zerogate ↩ 回到正文 · back to text
  26. 26 Jargo - a Golang port of Pipecat for conversational-AI apps. GitHubhttps://github.com/gojargo/jargo ↩ 回到正文 · back to text
  27. 27 Uv-matrix - A tiny matrix runner for Python projects using Astral uv. GitHubhttps://github.com/atsuoishimoto/uv-matrix/ ↩ 回到正文 · back to text
  28. 28 Dial9, a tool for diagnosing p99+ performance in Rust programs. GitHubhttps://github.com/dial9-rs/dial9 ↩ 回到正文 · back to text
  29. 29 Reed-Solomon for OCR: error correction for messy printed codes. GitHubhttps://github.com/chasangchual/reed-solomon-for-ocr ↩ 回到正文 · back to text
  30. 30 Slisp: Simple Lisp compiler. GitHubhttps://github.com/skx/slisp ↩ 回到正文 · back to text
  31. 31 youre-the-os: A game where you are a computer's OS. GitHubhttps://github.com/plbrault/youre-the-os ↩ 回到正文 · back to text
  32. 32 Loomabase - Column-level CRDT sync for SQLite + Postgres. GitHubhttps://github.com/JustVugg/loomabase ↩ 回到正文 · back to text
  33. 33 Previewing GPT-5.6 Sol: a next-generation model. OpenAIhttps://openai.com/index/previewing-gpt-5-6-sol/ ↩ 回到正文 · back to text
  34. 34 U.S. government will decide who gets to use GPT-5.6. Washington Posthttps://www.washingtonpost.com/technology/2026/06/26/openai-says-us-government-will-vet-users-its-latest-ai-model/ ↩ 回到正文 · back to text
  35. 35 Computer use in Gemini 3.5 Flash. Google Bloghttps://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-computer-use-gemini-3-5-flash/ ↩ 回到正文 · back to text
  36. 36 IBM debuts sub-1 nanometer chip technology. IBM Newsroomhttps://newsroom.ibm.com/2026-06-25-ibm-debuts-worlds-first-sub-1-nanometer-chip-technology ↩ 回到正文 · back to text
  37. 37 Elastic lays off 7% of employees. Elastichttps://www.elastic.co/blog/ceo-ash-kulkarni-announcement-to-elastic-employees ↩ 回到正文 · back to text
  38. 38 Windows 10 quietly gets one more year of support and updates. Neowinhttps://www.neowin.net/news/windows-10-quietly-gets-one-more-year-of-support-and-updates/ ↩ 回到正文 · back to text
  39. 39 Jolla Phone (October 2026). Jolla Shophttps://commerce.jolla.com/products/jolla-phone-october-2026 ↩ 回到正文 · back to text
  40. 40 Apple to skip high-end M6 Mac chips in favor of AI-focused M7 line. Bloomberghttps://www.bloomberg.com/news/articles/2026-06-25/apple-to-skip-high-end-m6-mac-chips-to-launch-m7-pro-m7-max-m7-ultra-instead?embedded-checkout=true ↩ 回到正文 · back to text
  41. 41 Data centers trigger voter backlash. Newsweekhttps://www.newsweek.com/cost-me-the-election-data-centers-trigger-voter-backlash-12118327 ↩ 回到正文 · back to text
  42. 42 PlayStation Is Deleting 551 Movies from Customers' Accounts. Kotakuhttps://kotaku.com/playstation-store-movies-digital-studio-canal-terminator-2000711013 ↩ 回到正文 · back to text
  43. 43 What happened after 2,000 people tried to hack my AI assistant. Simon Willisonhttps://simonwillison.net/2026/Jun/26/hack-my-ai-assistant/#atom-everything ↩ 回到正文 · back to text
  44. 44 Incident Report: CVE-2026-LGTM. Simon Willisonhttps://simonwillison.net/2026/Jun/26/incident-report/#atom-everything ↩ 回到正文 · back to text
  45. 45 AI and Liability. Simon Willisonhttps://simonwillison.net/2026/Jun/25/ai-and-liability/#atom-everything ↩ 回到正文 · back to text
  46. 46 The gap between open weights LLMs and closed source LLMs. Doublewordhttps://blog.doubleword.ai/frontier-os-llm ↩ 回到正文 · back to text
  47. 47 The Exhaustion of Talking to a Tool. Ohad Ravidhttps://ohadravid.github.io/posts/2026-06-tool-talking/ ↩ 回到正文 · back to text
  48. 48 Why software engineers are grieving. Jim Greyhttps://dev.jimgrey.net/2026/06/25/why-software-engineers-are-grieving/ ↩ 回到正文 · back to text
  49. 49 Making devenv start fast, and the whole nixpkgs with it. devenvhttps://devenv.sh/blog/2026/06/26/making-devenv-start-fast-and-the-whole-nixpkgs-with-it/ ↩ 回到正文 · back to text
  50. 50 Anatomy of a Failed (Nation-State?) Attack. grack.comhttps://grack.com/blog/2026/06/25/dissecting-a-failed-nation-state-attack/ ↩ 回到正文 · back to text
  51. 51 The Sequence Opinion #884: Self-Driving Labs: The Laboratory That Chooses Its Next Experiment. TheSequencehttps://thesequence.substack.com/p/the-sequence-opinion-884-self-driving ↩ 回到正文 · back to text
  52. 52 xbtlin/ai-berkshire. GitHubhttps://github.com/xbtlin/ai-berkshire ↩ 回到正文 · back to text
  53. 53 every-app/open-seo. GitHubhttps://github.com/every-app/open-seo ↩ 回到正文 · back to text
  54. 54 aws/agent-toolkit-for-aws. GitHubhttps://github.com/aws/agent-toolkit-for-aws ↩ 回到正文 · back to text
  55. 55 risingwavelabs/risingwave. GitHubhttps://github.com/risingwavelabs/risingwave ↩ 回到正文 · back to text
  56. 56 open-metadata/OpenMetadata. GitHubhttps://github.com/open-metadata/OpenMetadata ↩ 回到正文 · back to text
  57. 57 receptron/mulmoclaude. GitHubhttps://github.com/receptron/mulmoclaude ↩ 回到正文 · back to text
  58. 58 hoangsonww/Claude-Code-Agent-Monitor. GitHubhttps://github.com/hoangsonww/Claude-Code-Agent-Monitor ↩ 回到正文 · back to text
  59. 59 mauriceboe/TREK. GitHubhttps://github.com/mauriceboe/TREK ↩ 回到正文 · back to text