AI Agent 技术周报 Vol.09｜并行 Agent、主动记忆、真实评测

本期时间窗：2026.07.07-2026.07.13。上一期重点是模型回归、IDE Agent 和无限循环风险，这一期的主线变成了三件事：模型开始把多 Agent 并行做成正式能力，记忆从「聊天偏好」走向可维护的外部上下文，评测也继续远离静态题库，转向真实环境和长任务。

X/Twitter 关键词检索这轮没有筛到可核验、信息密度足够的一手候选；Hugging Face 侧较有增量的是 Proactive Memory Agent 的论文讨论页，但正文里的技术判断仍以 arXiv 和官方公告为主。

OpenAI 在 7 月 9 日发布 GPT-5.6 家族，包含 Sol、Terra、Luna 三个档位，并把 ultra 描述为默认协调四个 Agent 并行完成复杂任务的高能力设置；API 侧也给出 Programmatic Tool Calling 和 multi-agent beta 两个面向开发者的能力。1

同一天，GitHub 宣布 GPT-5.6 Sol、Terra、Luna 开始进入 GitHub Copilot，可在 VS Code、Copilot CLI、GitHub Copilot app、JetBrains、Xcode 等入口选择；Sol 面向长时间 Agentic work，Terra 作为日常平衡档，Luna 走轻量低成本路线。2

GitHub 这一周还把 Copilot app 开放到所有 Copilot 计划，并允许没有 Copilot 订阅的用户用 BYOK 方式跑桌面端会话。3 JetBrains 插件侧新增 Codex 作为 agent provider，还把 Hooks、MCP server 管理、审批模式和 Claude agent debug logs 放进同一轮更新。4

这一组更新放在一起看，Agent 正在从单个聊天框变成 IDE、CLI、桌面应用和 API 里的工作流调度层。

LangChain 在 7 月 10 日发布 OpenWiki Brains，把 Gmail、Notion、Git repos、Twitter/X、Hacker News、Web search 等来源转成本地 Markdown wiki，并通过定时更新让 Agent 获取持续变化的工作上下文。5

同一方向上，7 月 9 日提交的论文「Remember When It Matters」把长任务里的记忆失效称为 behavioral state decay：任务要求、环境事实、此前尝试和未完成子目标会随着轨迹增长被挤出有效上下文。论文提出一个独立 memory agent，和 action agent 并行运行，按需写入结构化 memory bank，并决定什么时候插入提醒。6

这篇论文给出的结果是：该模块在 Terminal-Bench 2.0 上带来 +8.3 个百分点 pass@1，在 τ²-Bench 上带来 +6.8 个百分点 pass@1；选择性介入也优于被动暴露 memory bank、始终注入提醒、advisor-only guidance 和普通检索。6 Hugging Face 论文页显示该工作由作者在 7 月 10 日提交到社区，并有后续讨论。7

以前 Agent 失忆常被归因于「上下文不够长」。这一周更明确的答案是：长上下文不等于好记忆，真正关键的是什么时候写、写什么、什么时候提醒。

DeepSWE 在 7 月 8 日提交，包含 113 个原创、长时间跨度的软件工程任务，覆盖 91 个活跃开源仓库和 5 种语言；这些任务没有合入上游，因此不容易变成模型训练语料里的「见过的修复」。8

DeepSWE 还用手写 verifier 判断功能是否被实现，而不是沿用原始 GitHub issue 的测试。论文称，独立 LLM judge 复核时，DeepSWE verifier 的分歧率为 1.4%，而 SWE-Bench Pro 继承测试的分歧率为 32.4%。8

UniClawBench 在 7 月 9 日提交，面向主动 Agent 的动态真实环境评测。它把任务拆成 Skill Usage、Exploration、Long-Context Reasoning、Multimodal Understanding、Cross-Platform Coordination 五类能力，设计了 400 个双语真实任务，并在 live Docker containers 中按步骤检查完成度。9

这两篇论文都在压同一个方向：Agent 评测不能只看能不能答对，还要看它能不能在真实工具链里持续推进、处理反馈、完成可验证的工程结果。