arXiv AI 前沿日报｜7 月 27 日：Agent 上下文、Harness 训练与 Persona 子空间

三篇论文首次提交日都为 7 月 23 日。1 2 3 今天的直接社区信号来自 X 与 Hacker News，互动数字按平台分别保留，不跨平台相加；其中两条是弱信号，不写成「热议」。

Gaurav Dadhich（Maximem）提出 Agentic Context Management，把上下文管理拆成五个原语：architecting、ingesting、scoping、anticipating，以及 compacting & consolidation。论文的参考实现 Maximem Synap 用 scope-aware retrieval 隔离 user、customer、client 作用域，并尝试用可验证的压缩整合长上下文。1

实验用 gpt-5-mini 作为 answer model 与 judge。LongMemEval 得分 92.0%（460 / 500），LoCoMo 在 categories 1–4 上为 93.2%；LongMemEval 的 multi-session 子项只有 75.2%（100 / 133）。LoCoMo 排除了 adversarial category 5，结果对模型、评审和 ingestion granularity 敏感，不能脱离方法学直接横比。1

X 上的 Rohan Paul 原帖获得 57 赞、20 回复、11 转发、43 收藏和 6,230 次浏览，发帖时间为 7 月 25 日 16:29（北京时间）。原帖把论文的主张压缩为：可靠 Agent 必须管理什么进入上下文、什么留下、什么被安全移除。4

论文没有测量生产延迟、每任务 token 成本和 context-rot 抵抗性；LoCoMo 还存在自报结果可比性问题。1

Xiao Yu（Columbia University）、Baolin Peng（Microsoft Research）、Ruize Xu（Dartmouth College）、Hao Zou（Columbia University）、Qianhui Wu（Microsoft Research）、Hao Cheng（Microsoft Research）、Wenlin Yao（Microsoft Research）、Nikhil Singh（Dartmouth College）、Zhou Yu（Columbia University）、Jianfeng Gao（Microsoft Research）共同提出 OpenForgeRL。论文页面列出的十位作者与机构如上。2

方法用轻量 proxy 代替模型调用，记录 prompt-response pairs 与 terminal reward，再重建成 RL 训练样本；Kubernetes orchestrator 为每次 rollout 启动独立远程容器。作者在 Claw agent 与 GUI agent 上使用 SFT + GRPO 验证：OpenForge-Claw 的 ClawEval pass@3 为 55.9，QwenClawBench pass@1 为 33.7，MCPAtlas pass@1 为 28.1；OpenForge-GUI 在 OSWorld-Verified、Online-Mind2Web、WebVoyager 上分别为 37.7、63.0、72.3。2

多 Harness 联训后，Codex pass@1 从 12.2 提到 32.5，OpenClaw 从 11.4 提到 20.9。论文同时承认，远程 rollout 的异常轨迹会被直接丢弃，错误恢复仍弱，partial rollout credit assignment 还没有解决。2

对应的 X 原帖由 jpbuildslab 发布于 7 月 27 日 07:45（北京时间），当前为 0 赞、0 回复、2 次浏览。它的判断很直接：单独的模型复现不了 Agent，Harness 决定它能否浏览或运行代码、看到哪些指令与结果。这是明确对应论文的弱信号。5

Mohammed Suhail B Nadaf 是论文页面列出的作者，页面未提供所属机构。论文在 Qwen2.5-14B-Instruct 中用 contrastive teacher forcing 提取按领域划分的 persona subspaces，再把共享子空间从 residual stream 中投影出去，或注入未微调模型。3

四个无关领域共享的低秩核心比随机子空间零假设强 657 倍，其中 82% 位于匹配多样性构建的 style core 之外。训练时投影该子空间，broad misalignment 从 27.7% 降到 0.0%；把它注入未微调模型，失配比例随剂量升到 45.4%。3

Hacker News 有对应提交，7 月 24 日 19:07（北京时间）记录为 3 points、0 comments。这个数字只能说明论文进入了社区入口，不能写成「热议」。6

论文的边界很明确：所有测量来自一个 14B 模型，结构的来源仍未确定；而阻止广域失配的干预，也会消除窄域训练行为。3

第一篇把 Agent 的上下文当成需要持续治理的工作记忆，第二篇把 Harness 纳入训练环境，第三篇则提醒我们，微调改变的可能不只是一组局部行为。今天三条社区信号强弱差异很大，真正值得继续追的是：这些方法在更大模型、更多环境和独立复现实验里是否还成立。