智能体走向工程化与可审计

[Decoupling Readiness from Release for Tail-Aware Scheduling of Agentic LLM Workflows](https://arxiv.org/abs/2609.10964)[^1] - 将 ready turn 与真正释放执行拆开，用 mean-CVaR 和动态释放预算压低争用场景的尾延迟，真实软件工程轨迹上 P95 flow time 最多加速 3.50 倍。

[Grounding Agent Memory: Environment-Probing Curation for Enterprise Agents](https://arxiv.org/abs/2609.11060)[^2] - 让记忆整理器以最小权限只读探测环境，在不改生产写入接口的前提下把 CLBench 通过率从 39% 提到 73%，并把每题查询降到 4.7 次。

[T1: Terminal Agent Reinforcement Learning for Long-Horizon Tasks](https://arxiv.org/abs/2609.11042)[^3] - 122B MoE agent 在云端真实 shell 中跑 300+ 轮工具调用，靠 verifier 奖励和 token/专家路由回放把 Terminal-Bench 2.1 解析率推至 64.0%。

[DriftNet: A Dual-Head Trajectory Transformer for Detecting and Localizing Prompt Injection in LLM Agents](https://arxiv.org/abs/2609.10892)[^4] - 单次前向同时判定轨迹是否受污染并标出注入点、劫持跨度和失败攻击，在 12,536 条轨迹上达到 0.983 轨迹 F1 与 98.7% 注入点精确恢复。

[Worktrunk](https://github.com/max-sixty/worktrunk)[^5] - 用 `wt` 命令和 hooks 把多 worktree 的创建、合并、清理及并行 agent 启动串成一套可操作的 Git 生命周期。