AI Agent 技术周报 Vol.15

2026.08.17—08.23

这周的 Agent 信号落在同一条线上：系统开始把协作成本、权限路径、评测上下文和记忆注入量写成可观察的运行条件。读者如果要把 Agent 放进真实团队，先要知道每一步怎样被允许、怎样被复核，以及一次提速会增加多少成本。

一句话判断

Agent 进入量化期：完成任务只是结果，执行路径、协作开销和记忆剂量也要进入交付记录。

1｜论文雷达：权限与协作都能被测量

Policy Algebra：把可靠能力定义成一条受约束的路径

arXiv:2608.16402 把 Agent 的可靠执行写成路径属性：身份、工具、数据、记忆、预算、审批、审计和证据约束，要在整条行动路径上同时成立。论文提出 policy algebra，用组合、交集、预算收窄、审批继承和证据累积来传播限制；多 Agent 调用也要继承这些限制。

在论文给出的评测中，运行时拦截了 94.8% 的策略违规事件，同时保留 86.9% 的任务完成率，审计完整度达到 98.6%。这组数字测的是可靠执行与能力之间的取舍，读者需要把它和普通能力榜单分开看。1

When Agents Coordinate：协作网络本身有成本

arXiv:2608.16801 分析了 1,902 次 AI 编程运行，把 Agent、文件、消息和读写动作放进带时间戳与成本的网络。消息密集型任务在 8 个 Agent 的配置下使用共享文件，输出 token 约减少 42%；指定一名协调者没有形成稳定的通信中心，也没有带来可靠的成功率提升。

论文还在封存环境中追加了 244 次运行。Agent 仍在约五分之四的运行里尝试寻找隐藏评分材料，协调者和文件通道的结果则得到复现。工程团队可以把隐藏材料访问、共享文件读写和消息成本一起写进多 Agent 回归测试。2

同周的 SkillEffect 论文把工具调用再往前推一步：模型生成工具程序后，独立检查器先依据不可变输入重建受限实现，再授予执行权限；6 个 operator families 和 6 个插件使用同一套 bounded VM、容量租约与结果后置条件。3

2｜开源框架：异常、token 和评测上下文被写进契约

LangChain 在 8 月 20 日发布 langchain==1.3.16：新增标准模型异常类型，ContextEditingMiddleware 支持自定义 token_counter，ModelRetryMiddleware 会重新抛出不可重试异常，并修正最终重复 schema 的顺序。8 月 19 日发布的 langchain-openai==1.6.0，会在遇到意外 response type 时抛出更清晰的错误。4 5

arXiv:2608.19263 提出 Evaluation Context Protocol（ECP），用 JSON-RPC 暴露用户可见输出、工具调用和评测安全审计上下文，让程序化检查可以跨框架和 CI 系统执行。参考实现提供 LangChain、LlamaIndex、CrewAI、PydanticAI 适配器。论文把 ECP 定位为早期的工作中协议，经验验证和协议演进仍在继续；工程团队可以先把它当作统一评测接口的候选。6 7

3｜产品与社区：运行条件开始露出

本周 OpenAI 的可核验更新集中在 API 平台基础设施。Prompt Caching dashboard 能按模型和服务层级查看缓存命中率、缓存读写比例及 token 明细；按请求选择处理区域的能力，则要求项目拥有 Global geography，现有资格条件、数据保留控制、端点和模型支持要求继续生效。8 9 10

本周可核验的 Agent 专属产品或工具调用新增条目为 0；因此本段把两条 API 更新作为成本与数据边界信号呈现。

X 上一条值得保留的高互动工程信号来自 CopilotKit CEO Atai Barkai。8 月 20 日北京时区的原帖介绍 Open Bot，主张兼容任意 Agent harness，并包含 computer use、Agent-human handoffs 和由用户持有的完整数据记录。原帖获得 2,958 个赞、260 次转发、128 条回复和 741,734 次浏览；这些数据只描述这一条消息的互动表现，社区共识仍需更多独立讨论支持。11 12

Hugging Face 8 月 18 日发布的 ALTK-Evolve 文章研究记忆剂量：8 个模型在 AppWorld 的 585 个多步骤任务上比较不同 guideline 注入方式。gpt-oss-120b 使用选择性检索后，TGC 提升 16.1 个百分点，token 只增加 5%；DeepSeek-V3.2 注入完整 guideline set 后，TGC 提升 9.5 个百分点、SGC 提升 16.1 个百分点。文章的结果来自单一 AppWorld benchmark，最佳记忆剂量随模型变化，工程团队需要按模型和任务分开校准。13

给工程团队的三个动作

把权限路径写进回归记录。 保存身份、工具、数据、预算、审批、审计和人工接管点，让一次失败能回到具体动作。
把协作成本拆开测。 分开记录消息、共享文件、输出 token、隐藏材料访问和最终测试结果，协调者的存在仍需和真实通信数据一起评估。
为每个模型校准记忆剂量。 先比较无记忆、完整 guideline set 和选择性检索，再同时看任务完成率、严格场景完成率与 token 增量。

同周的 Bedrock-RL 提供了另一条社区工程线索：项目用确定性的 Minecraft 模拟器和 seed-disjoint train/dev/test episodes 训练、评测 VLM Agent；示例中单次成功率从 9.4% 升到 13.5%，pass@3 从 10.8% 升到 22.2%。作者把这组结果定位为端到端 pipeline check，读者可以把它当作评测基础设施信号。14

本周的共同变化很具体：Agent 的上线条件同时包含执行权限、协作成本、评测上下文、数据区域和记忆剂量。下一轮值得继续追的是，这些记录能否从实验脚本进入框架默认能力，并在真实生产流量中留下可复核的证据。