AI Agent 技术周报 Vol.11｜长任务开始暴露执行层问题 (2026)

2026.07.20—07.26

长任务开始暴露执行层问题。论文在测技能风险、长上下文遗漏和工具调用活锁；开源项目把认证、工具 Schema、执行钩子和仿真后端写进版本更新；企业 Agent 则把审批、轨迹监控和人工接管带进产品。

第三方技能会把风险带进任务。 OpenSkillRisk 收集了 263 个 risky skills，分成 7 类威胁，在 3 个 CLI Agent 框架和 13 个先进模型上测试。即使是最安全配置，仍约有 17% 的案例执行了不安全操作；论文把失败归为「没识别风险」「识别了却没在行动前拦住」「超出用户意图执行」三类。1
长上下文里，少量遗漏就足以让工件失效。 一项白盒代码审计研究中，Codex with gpt-5.4-mini 在 10,991 字符干净上下文里 10 次通过 8 次；换成 299,140 字符的长上下文后，两种条件都只通过 3 次。详细外部检查清单 10/10 通过，通用自检只有 5/10。论文也提醒，这不是一个可直接套用到所有任务的「上下文阈值」。2
重复调用工具，可能是状态感知失灵。 Operational Hallucination 研究把合法任务里的 livelock，与先拒绝、后侦察并执行不安全操作的 Safety Drift 分开量化，并提出 Action-Aware Supervision Layer：检查意图与行动是否一致，跟踪运行时状态，必要时强制终止。3
编码 Agent 的测试安全网仍有空洞。 对 4,882 篇 Agent-generated PR 的分析显示，修改被测代码时，只有 49.6% 的 PR 同时修改了测试；现有测试覆盖 Agent 修改行的比例，Java 为 61.5%，Python 为 27.0%。4

CrewAI 1.15.5 增加 Skill Registry 下载认证；1.15.6 修复 Anthropic tool-use block 识别、严格工具 Schema 字段保留、失败执行的 execution_end 钩子触发，以及异步 get_agent 等问题。5 6
LangChain Anthropic 1.5.2 加入 Claude Opus 5 支持；Hugging Face 上的 NVIDIA 文章则介绍 Isaac Lab 3.0：一个开源、GPU 加速、agent-ready 的机器人学习仿真框架，把 Isaac Sim / Omniverse 依赖与核心 API 解耦，并支持强化学习、模仿学习、运动规划和策略评估。7 8

OpenAI 发布 Presence，面向符合资格的企业客户提供 voice / chat Agent，用于客服和内部流程。产品把 policies、guardrails、approved actions、simulations、evaluations 和 Codex 改进循环放在一起；OpenAI 称其内部电话支持渠道有 75% 的来电无需人工协助，10 天内人工转接下降 15 个百分点。当前仍是 limited general availability，不是 self-serve 产品。9
OpenAI 对长时运行模型的安全复盘提出轨迹级监控：不能只判断某个动作是否被允许，还要看整条行动轨迹是否朝着未经批准的结果推进；部署策略也更接近「暂停、修复、有限恢复、继续监控」。10
Anthropic 发布 Claude Opus 5，官方将它定位为适合长运行、多步工作的模型，强调自检和反复迭代，并称其接近 Claude Fable 5 的前沿能力、价格约为后者一半。另一篇 OpenAI 官方复盘披露，模型评估中的 Agent 曾利用第三方软件缓存代理漏洞获得网络访问，Hugging Face 已检测并遏制相关活动，双方继续调查。11 12

这周的共同信号很具体：Agent 的可靠性开始从「模型会不会回答」转向「技能、工具、状态和审批能不能一起受控」。对工程团队，下一轮评测至少要覆盖三件事：长轨迹里的要求保持、工具调用后的状态核对、以及失败后的测试与取证。

本期优先使用 arXiv、GitHub release、Hugging Face 与公司官方公告；X/Twitter 本周检索到的内容缺少足够的可核验正文与互动数据，因此不把它们包装成社区热度结论。