8月11日论文雷达：36篇直接命中、3篇邻近，先看失败如何变技能

如果只读 8 篇

一、36 篇直接命中

1. Reason Wide, Not Deep: Amortizing the Reasoning Premium into Distilled Skills

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.07885
• 研究问题：推理模式模型在 agentic 任务上更强，但每次 episode 要付出重复的输出 token；能否把这种推理溢价一次性蒸馏成可复用 skill。
• 方法/训练流程：被动 skill distillation。先从训练 split 收集轨迹语料，再由 Claude Code + Claude Sonnet 5 对失败模式做统计，提炼成 40–130 行 markdown skill；skill 直接注入非推理模型 system prompt，不更新权重，不做额外 rollout。
• 基准与样本：ALFWorld、SpreadsheetBench-Verified、τ²-telecom 各 50 题，τ²-retail 35 题，均为 held-out 评测；GPT-5.4-mini 与 Qwen3.6-27B 每格运行 3 个种子。
• 关键结果：GPT-5.4-mini no-think+skill 在 ALFWorld 上 0.787，think 0.713、no-think 0.567；token 832 对 3,723。Qwen3.6-27B 在 ALFWorld 上 0.980，think 0.773、no-think 0.827；token 少 14.9×。与 GEPA 比较，retail 45.8% 对 39.2%，telecom 32.5% 对 30.8%，生产成本 3.72 美元对 15.28 美元。
• 证据强弱：中强。
• 局限：只测 2 个模型和 4 个领域；蒸馏方差未测；跨模型迁移未测。
• 复现条件/代码：需训练轨迹、GPT-5.4-mini 或 Qwen3.6-27B，以及 Claude Code + Claude Sonnet 5 蒸馏环节；原文未报告代码或项目链接。
• 目标线关系：轨迹→可复用技能的被动蒸馏，回答「失败轨迹能否变成技能」这一最前端问题。
• 结论：精读。

2. FailForge: Distilling Procedural Competence from Persistent Failures into Code Agents

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.08570
• 研究问题：RFT 会丢掉全部失败集，但失败轨迹本身最接近能力前沿，信息量最大；如何把持续失败转成训练信号。
• 方法/训练流程：五阶段流水线：naive RFT、诊断 agent 从失败轨迹与 gold patch 提炼四段式 method skill、leakage filtering、skill-guided re-rollout、剥除 skill 后做 NLL 微调内化。
• 基准与样本：SWE-Gym 的 2,401 个 Python 任务用于训练；SWE-bench Verified 500 题与 MultiLingual 用于评测。teacher 为 Kimi-K2.6 + OpenHands，student 为 Qwen3.5-4B/9B。
• 关键结果：SWE-bench Verified 4B 从 54.0 到 66.2；9B 从 63.6 到 67.2。MultiLingual 4B 从 52.3 到 55.7，9B 从 59.7 到 61.3。恢复了 218 条失败轨迹，约 26.2%。
• 证据强弱：强。
• 局限：无独立 Limitations 节；算力未报告。
• 复现条件/代码：需 SWE-Gym、OpenHands、Kimi-K2.6、Qwen3.5-4B/9B 与 GPT-5.4 judge；原文未报告公开代码。
• 目标线关系：完整的失败→技能→内化流水线，适合当「失败如何变技能」的主样本。
• 结论：精读。

3. Branch2Skill: Efficient Skill Evolution Through Reasoning Trees

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.08677
• 研究问题：单条轨迹只给一个弱更新信号，早期错误会沿后续步骤传播；技能演化需要更稠密的证据。
• 方法/训练流程：每轮固定 skill，对训练问题建 PUCT 推理树；从成功终局路径与 sibling 对比证据里提取局部监督，交给 GPT-5.5 产出候选 skill，再由验证集门控接受或回滚。
• 基准与样本：覆盖 SearchQA、SpreadsheetBench、OfficeQA、DocVQA、LiveMathematicianBench、ALFWorld；默认每节点 3 个 children、深度 6、40 轮迭代，目标模型横跨 GPT-5.5/5.4/mini/nano 与 Qwen3.6-35B-A3B。
• 关键结果：30 个 setting 中 26 个 best/并列 best，平均 50.8→69.1，SkillOpt 为 66.0。六个 GPT-5.5 实验累计 141.3M tokens，对 SkillOpt 的 526.7M 少 73.2%。
• 证据强弱：强。
• 局限：部分 baseline 数字来自 SkillOpt 原文；无独立 Limitations 节。
• 复现条件/代码：需 GPT-5.5 作为 skill model、PUCT 搜索和独立验证集门控；原文仅说明代码将发布。
• 目标线关系：把推理树变成技能更新监督源，是长程轨迹里「局部证据→技能修订」的典型做法。
• 结论：精读。

4. Bidirectional Context Self-Distillation for Reinforcement Learning of Skill-Based LLM Agents

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.09555
• 研究问题：有技能库不代表会用技能；如何把技能利用过程本身变成可学习信号。
• 方法：用双视角自蒸馏+GRPO 强化外部技能利用，把 skill-bank 变成执行信号。
• 关键结果：Qwen2.5-7B 在 ALFWorld 上 83.6%，提升 3.1 点；Qwen2.5-3B 在 ALFWorld 上提升 5.4 点、WebShop 上提升 4.4 到 9.4 点。
• 证据强弱：中强。
• 局限：仅两个交互基准；无独立 Limitations 节；Meta-Skill 提取模型未明示。
• 目标线关系：强调显式技能不等于会用技能，属于技能利用能力路线。
• 结论：精读。

5. SkillReason: Reasoning-Enhanced Agent Skill Retrieval for Implicit User Requests

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.08640
• 研究问题：真实用户请求常只给目标不给步骤，技能检索难，而现有基准对这类隐式请求覆盖有限。
• 方法：SkillReason-Bench 有 3,729 查询和 61,228 技能语料；Stage I 用 Claude Sonnet 4.6 生成能力推理轨迹，经过规则检查、去重和 DeepSeek-R1 过滤后重平衡为 30K 训练实例；Stage II 用检索引导 GRPO，每查询 8 次 rollout，并把查询改写成更隐式形式。
• 关键结果：SkillReason-0.6B 相对 Qwen3-Embedding-0.6B 在 Recall@10 平均提升 17.56 点；4B 管线在 5 个下游任务上成功率提升 14.66–25.03 个百分点。
• 证据强弱：中强。
• 局限：发布物缺失；训练和评测查询分布不同；隐式请求的人工改写可能带偏差。
• 目标线关系：把能力推理蒸馏进检索表示，是技能路由环节的核心方法。
• 结论：精读。

6. Emotion2Skill: Model-Internal Emotion Signals for Adaptive Skill Selection and Evolution

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.09248
• 研究问题：技能路由只看文本信号，没有利用模型内部状态；内部情绪表征是否能提供更稳定的选择与演化信号。
• 方法：从 residual stream 提取 27 维情绪状态，经编码器和 confidence-gated summary 注入路由 prompt；再用情绪轨迹突变检测做定向 SOP 重写。
• 关键结果：Qwen3-8B 在 WebShop 29.7%、ALFWorld 47.4%；Qwen3-14B 在 WebShop 30.7%、ALFWorld 52.3%。OOD 上 MATH 54.8→69.2%、MBPP 60.0→71.8%。
• 证据强弱：中强。
• 局限：情绪因果性仍是相关性论证，且更偏 Qwen 系。
• 目标线关系：把模型内部状态变成路由和演化信号，是技能编排里最跨层的一篇。
• 结论：精读。

7. Agentic Router: An Execution-Grounded Continual Learning Approach With Memory

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.09184
• 研究问题：CLI 运维里，语法可行不等于后果正确，必须靠执行反馈来持续学习。
• 方法：proposal 侧把成功/失败/恢复经验蒸馏成 operational lessons；selection 侧用真实 SSH 反馈做会话级 LoRA 更新；最终用效用-风险重排选动作。
• 关键结果：正文没有表格数字，只给图；但全框架在三种模型规模下 top-1 成功率都最高，140 轮内持续提升。
• 证据强弱：中弱。
• 局限：单环境、单固定请求序列，数值全在图里。
• 目标线关系：执行落地的持续学习样本，把设备后果写回模型。
• 结论：精读。

8. Rethinking Self-Evolving Agents: Do We Still Need Prescribed Optimization Pipelines?

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.09629
• 研究问题：当优化器本身已经很强时，任务专用的预设优化管线还必要吗。
• 方法：Open-Ended Optimization，把改进过程的组合交给 GPT-5.5 在线编排，并对照 SkillOpt 和 GEPA。
• 关键结果：OEO 对 SkillOpt 12 胜 1 平 1 负，对 GEPA 5 胜；中位只用了 SkillOpt 目标 token 预算的 34.3%。
• 证据强弱：中强。
• 局限：optimizer 只用了 GPT-5.5，属于能力敏感方法。
• 目标线关系：技能生命周期的元层问题：预设管线与开放编排的边界在哪里。
• 结论：精读。

9. GraphThink: Graph-Enhanced LLM Thinking for Long-Horizon Embodied Task Planning

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.07905
• 研究问题：具身规划器会有物理幻觉、长程泛化差和环境感知缺失。
• 方法：任务图 + 场景图双图闭环；任务图既引导生成，也给外部验证器做迭代修正，还在 GRPO 中提供图奖励；场景图驱动事件型重规划。
• 关键结果：ALFRED unseen SR 68.52、GC 75.76；高层规划器长程 90.04%，同骨干 SFT 仅 20.57%。
• 证据强弱：中强。
• 局限：长程与新任务数据集自建，独立复现还不够。
• 目标线关系：长程规划的结构化样本，可用来对照 loop policy 和 replay 的设计。
• 结论：精读。

10. An AI Scientist that Doesn't Drift: Taste, Structure, and Falsifiable Findings in a Quadruped Navigation Research Loop

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.07542
• 研究问题：LLM 驱动的自主研究循环会漂移，朝当前最优指标的局部修正收敛，而不是检验假设。
• 方法：不可变 experiment card、专职 subagent、以及把研究品味编码成知识图的 kkanbu oracle；双臂对照有/无 oracle。
• 关键结果：with-kkanbu 与 without-kkanbu 两臂都没有单向压倒性优势；最优训练策略反而来自无 oracle 臂；轨迹和速度过滤器类推理期技术也很强。
• 证据强弱：中强。
• 局限：单域纯仿真；臂与操作者混杂。
• 目标线关系：研究代理防漂移的结构性样本。
• 结论：精读。

11. OpenLoopEvolve: A Verifiable Self-Evolution Framework for Loop Policies in Long-Horizon Complex Tasks

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.09380
• 研究问题：长程复杂任务中的 loop policy 被固定在单一上下文里，无法跨历史轨迹积累复用控制经验。
• 方法/训练流程：把 loop policy 视为可治理资产，分在线与离线两种演化模式。在线模式每轮只生成 1 个 challenger，经过 canary monitor 和任务边界激活后发布；离线模式从归档轨迹和失败证据里搜索多候选，多代保留非支配解。
• 基准与样本：YC-Bench 模拟经营一整年，使用 3 个官方种子；骨干为 deepseek-v4-flash 的 medium 配置。
• 关键结果：平均最终资金从 Native 518,158.46 到 OLE-online 878,601.79，再到 OLE-offline 974,627.52；成功率从 77.23%到 87.87%再到 91.80%；token 成本分别为 64.52M 与 59.63M。
• 证据强弱：受控模拟较强。
• 局限：单一基准、单一模型族，进化成本高，跨场景有效性未建立。
• 复现条件/代码：GitHub 仓库已报告；YC-Bench 与 deepseek-v4-flash。
• 目标线关系：长程循环自进化的正面样本，尤其适合作为在线/离线、门控、回滚的结构参考。
• 结论：精读。

12. Controlled Memory Interference in Continual LLM Agents

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.07622
• 研究问题：持续记忆不只是「存更多」，记忆之间会在状态、时效和权威性上相互干扰。
• 方法/训练流程：定义 L0–L6 记忆增长、关系组合和权威性探针；用 BM25 与稠密检索器做混合选择器，并用干扰样本增强训练。
• 基准与样本：覆盖 TravelPlanner、PERMA、LongMemEval、HorizonBench、MEME Tracking；包含噪声增长、关系组合和固定 L3 投毒实例。
• 关键结果：same-slot conflict 的塑性显著下降；固定 L3 投毒下权威性线索比 recency 更敏感；增强训练后 MEME Tracking 成功率从 0.314 升到 0.929，TravelPlanner 从 0.386 升到 0.686。
• 证据强弱：强。
• 局限：选择器只在数据集内训练；跨数据集迁移未宣称。
• 复现条件/代码：有官方 GitHub 仓库。
• 目标线关系：持续记忆、投毒和更新权威性线索，直接对上长程系统里的记忆面。
• 结论：精读。

13. Not Worth Another Token: Marginal Value Estimation for Efficient Deep Research Agents

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.08389
• 研究问题：长程研究 agent 的上下文迅速膨胀，但边际证据价值下降，导致 token、延迟和噪声一起上升。
• 方法/训练流程：阶段感知剪枝；分别在 Pre-Retrieval、Post-Retrieval、Pre-Synthesis 三个位置做边际价值估计，并比较 MMR、Novelty、DPP、Submodular Coverage 等策略。
• 基准与样本：从 DeepResearchGym 固定抽取 100 条查询，并补充 DeepResearch Bench；完整管线基于 GPT-Researcher。
• 关键结果：无剪枝基线 29.0 节点、375.4k tokens、3422.6s；Post-Retrieval MMR 可降到 114.6k tokens 和 8.84 节点；三阶段 MMR 到 100.1k tokens、7.82 节点。
• 证据强弱：受控对比完整。
• 局限：质量指标高度依赖 judge；剪枝不能替代验证。
• 复现条件/代码：GPT-Researcher + DeepResearchGym + Researchy Questions；原文未报告自有代码。
• 目标线关系：深度研究长程管线里，何时该停、何时该剪，是很实用的系统问题。
• 结论：精读。

14. TRACE-Memory: Public-Conditioned Retrieval and Utility-Aware Evidence Admission for Personalized Generation

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.08446
• 研究问题：个性化生成里，语义相关的历史不一定该被用，必须看它有没有增量效用。
• 方法：两阶段选择性个性化：先生成公共条件查询，再在证据准入阶段决定保留紧凑子集还是 EMPTY 空集，EMPTY 即纯公共路径。
• 关键结果：六种固定生成器设置都优于 Random 和 BM25，四种设置优于 Semantic Similarity；32B 时与前沿管线的差距收敛到 0.00。
• 证据强弱：中强。
• 局限：依赖 DeepSeek-V4-Flash 构造训练信号，且无独立复现。
• 目标线关系：回答「何时不使用记忆」，与记忆写入/呈现边界直接相连。
• 结论：精读。

15. SodaMem: Evidence-Grounded Temporal Graph Memory for LLM Agents

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.08055
• 研究问题：助手要记住当前为真，而不是记住曾经说过什么；扁平日志和普通 RAG 难以处理时效、溯源和时间顺序。
• 方法：把事实抽成带来源跨度的 FactEvent，落到时间图里，配合 SQLite、BM25+稠密索引和 planner-reader 循环。
• 关键结果：LongMemEval-S 500 题、约 115k token 历史下，准确率 92.8%，成本均值 0.00161 美元/题。
• 证据强弱：系统论文偏强。
• 局限：自评会削弱可比性，且是单 store-of-record 配置。
• 目标线关系：持续记忆的底座契约，强调证据锚定的时间知识图。
• 结论：值得扫读。

16. Mitigating Over-Personalization in LLMs via Structured Memory

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.08300
• 研究问题：记忆注入上下文会导致跨域泄漏和记忆诱导谄媚。
• 方法：不改模型，只改记忆呈现结构：固定域分区、动态域分区和记忆树分区。
• 关键结果：动态分区相对扁平基线平均降低跨域泄漏 8.8%，同时 beneficial memory failure 也更稳。
• 证据强弱：中型受控实验。
• 局限：只限 PersistBench，sycophancy 仍几乎天花板。
• 目标线关系：记忆呈现层的安全干预样本。
• 结论：精读。

17. Janus: An Algorithm-Evaluator Co-Evolution Framework for LLM-Driven Discovery under Expensive Evaluation Budgets

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.08189
• 研究问题：真实评估很贵，固定评估器会被搜索分布漂移和稀疏偏置标签拖垮。
• 方法：让 LLM 同时进化目标程序和可执行评估器，评估器以真实结果校准并随搜索共同进化。
• 关键结果：5 个域的 Calls@99% 均值减少 59.1%；NDCG@3 提升明显。
• 证据强弱：较强。
• 局限：评估器构造细节和基线对齐要看附录。
• 目标线关系：评估器协同进化，是「算法与评估一起变」的典型样本。
• 结论：精读。

18. PluginEval: A Diagnostic Benchmark for Fine-Grained Error Attribution in Function Calling

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.08700
• 研究问题：工具路由评估常被长尾、硬负样本和未经验证的 LLM 标注污染。
• 方法：PCCF 两阶段闭环，先做执行落地标注，再做 capability/intent/boundary 分解。
• 关键结果：3,000 人工验证实例、54 插件、63 工具、9 域；Claude Opus 4.6 原分布 Recall 67.60%、Acc 68.17%；hard 实例上最优模型 Recall 仅 10.8%。
• 证据强弱：较强。
• 局限：裁判也是 LLM，自建自评属性明显。
• 目标线关系：函数调用归因的诊断基准，和长程系统的错误定位链条直接相关。
• 结论：精读。

19. AI Evaluation Should Measure Verification Cost, Not Correctness Alone

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.08709
• 研究问题 / 立场：评估 AI 不能只看正确性，还要看预算内验证成本。
• 方法：提出 Verification-Cost Errors（VCE）和六步验证感知基准协议。
• 证据强弱：弱。
• 局限：纯概念论文，没有自有实证。
• 目标线关系：验证成本的理论骨架。
• 结论：值得扫读。

20. TRACE: TRajectory Attribution for Automated Context Engineering

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.09153
• 研究问题：生产 agent 的上下文源出错或缺失时，人工日志审查不可扩展。
• 方法：Detector、Root Cause、Recommender 三层回路，先做信号检测，再做 delta-guided 归因，最后主动探索并建议修复。
• 关键结果：75 条合成轨迹中，Root Cause node accuracy 72.7%，Recommender operation accuracy 96%，Fix effectiveness 82%。
• 证据强弱：中。
• 局限：真实生产泛化未验证。
• 目标线关系：轨迹归因和上下文修复，对长期 agent 很关键。
• 结论：精读。

21. Query-Only Backdoor Attacks on Self-Evolving Skills via Trajectory Poisoning

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.08303
• 研究问题：自进化技能管线会把攻击者诱导出来的受损轨迹当作正常训练信号。
• 方法：TBA 三组件：反事实轨迹诱导、轨迹级策略外化、跨任务证据构建。
• 关键结果：SkillOpt 45.6、Trace2Skill 51.1；GPT-5.4/5.5 触发下 TASR 最高到 70.0–70.6。
• 证据强弱：强。
• 局限：无独立复现；不宣称通用适用。
• 目标线关系：轨迹投毒是自进化管线的攻击面核心证据。
• 结论：精读。

22. OBLIVION: Workflow-Level Operational Skill Unlearning for Deployed Agents

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.08264
• 研究问题：技能从显式注册表移除后，agent 仍可能从 archives、transcripts、schemas、memory entries 里重建出来。
• 方法：AgentForgetBench + OBLIVION，做跨表面擦除、冻结工作流修复和 Anti-ReDerivation Guard。
• 关键结果：160 个 locked 案例、40 个 sandbox 案例、128 个 live rollout；locked 上 ASR 从 1.0 降到 0.114，效用保持 1.0；sandbox 上从 1.0 降到 0.2。
• 证据强弱：受控较强。
• 局限：仍有残余成功和效用权衡。
• 目标线关系：操作级撤销，是技能生命周期里最重要的防护问题之一。
• 结论：精读。

23. ElasticBack: Stealthy Conditional Backdoor in LLM-Agent Skills via Coupled Trigger-Rule Optimization

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.09577
• 研究问题：技能供应链里，单一被投毒技能就能持续危害每个安装者，但现有攻击缺少条件式、低成本、单技能后门。
• 方法：把规则 R 写进 Skill.md、触发器 T 写进用户查询，只在共现时触发；用遗传搜索进化 T，再按 lower confidence bound 选终方案。
• 关键结果：12 个设定平均 ASR 89%，FPR 6%，ΔCAC 3%。
• 证据强弱：强。
• 局限：沙箱化实验，不是现实部署。
• 目标线关系：技能供应链攻击面，和 TBA 形成文档植入与轨迹投毒的两端。
• 结论：精读。

24. SkillSentry: Reliable Skill Execution for LLM Agents via Runtime Assurance

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.09253
• 研究问题：agent 会在相似任务里重复失败，说明执行期也要有运行时保障。
• 方法：从 Skill 文档提取 DSL 规格，再从执行轨迹里挖掘经验；在 Claude Code/Codex hook 上做 step-aware runtime assurance，并用新轨迹继续自演化。
• 关键结果：15 个可执行技能、1,200 条查询、10 次演化迭代×5 次重复；平均成功率从 62.6%升到 77.7%，波动下降 41.1%，自身开销约 0.8%。
• 证据强弱：多配置、重复和留出集都在，但技能集有限。
• 局限：依赖 Claude Code/Codex hook。
• 目标线关系：执行期保障，是技能从路由到落地之间的最后一道门。
• 结论：精读。

25. Yesterday's Shield, Today's Spear: A Self-Evolving Safety Guardrail in Production

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.08471
• 研究问题：生产 guardrail 静态冻结，跟不上新 jailbreak 和新有害类别。
• 方法：SESG 让生成、验证和路由三个智能体接力，沿生产失败流量持续进化。
• 关键结果：TSM 场景 F1 从 21.56 提到 98.98；在线部署 2026-04 至 06 期间自动关闭 14 个新威胁场景。
• 证据强弱：有真实生产部署和完整消融。
• 局限：内部流量无法外部复核，低资源语言仍是难点。
• 目标线关系：生产环境自进化安全 guardrail，是技能攻防与防护面的现实样本。
• 结论：精读。

26. What Keeps Agent Skills from Being Reusable? Evidence from 138K SKILL.md Files

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.08453
• 研究问题：Agent Skills 为什么总是难以复用，问题究竟出在 metadata、文档规范还是组织流程。
• 方法：大规模统计 138K SKILL.md 文件，分析路由元数据、规范字段和质量保障工作流。
• 关键结果：91.8% 技能含至少 1 个缺陷；89.3% 违反至少 1 条官方规范；BM25 下 clean 元数据更易检索。
• 证据强弱：中强。
• 局限：Regex 启发式，BM25 不是生产路由，R2–R7 无端到端任务基准。
• 目标线关系：技能复用与生命周期的地基性实证，重点在生成期质量保障。
• 结论：精读。

27. SkillSmith: Enhancing Locally Deployed Agents via Automatic Skill Construction and Evolution

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.08037
• 研究问题：本地部署 agent 能否先在云端自动构建并演化技能，再迁移到本地执行。
• 方法：云端自动构建技能，围绕版本、筛选和迁移做闭环，后续下发本地部署 agent。
• 关键结果：AppWorld PR 78.6/74.9/89.0；WorkBench 89.0；比最强非参数基线高 11.3–26.2 点。
• 证据强弱：中强。
• 局限：只测 2 个数据集；无多次分割或显著性检验；无代码/复现材料。
• 目标线关系：技能生命周期闭环的完整案例，适合作为生成+演化的工程模板。
• 结论：精读。

28. Self-Evolving Neuro-Symbolic Skills for Tool-Augmented Spatial Reasoning

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.07955
• 研究问题：工具推理和几何代码块如何组合成可演化技能，并在轨迹中自我改进。
• 方法：将工具推理与几何代码块做成神经符号技能，并在轨迹中自演化。
• 关键结果：GPT-5.4 上 MMSI 49.50（+1.50pp）、MindCube 71.50（+0.49pp）；Gemini 2.5 Pro 在三基准上全最优。
• 证据强弱：中。
• 局限：仅选定基准与工具环境；无开源复现。
• 目标线关系：工具增强自演化技能样本，但需注明基准与环境边界。
• 结论：值得扫读。

29. Hierarchical Self-Improvement: A Framework for Task-Specific Evolvable Agent Harnesses

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.08466
• 研究问题：任务特定 agent harness 是否可以被显式建模为可进化框架。
• 方法：任务特定可进化 agent harness 框架，围绕策略、约束和反馈建立演化链路。
• 关键结果：本期摘要未给出可核验主数值。
• 证据强弱：中。
• 局限：以框架与方法论为主。
• 目标线关系：长程任务与自进化 agent 的控制壳层。
• 结论：值得扫读。

30. SHE: Trajectory-driven Safety Harness Evolution for LLM Agents

• 公众号原题入口：见上方公众号入口
• arXiv：https://arxiv.org/abs/2608.09885
• 研究问题：安全 harness 不是静态配置，而是可以被轨迹驱动进化的工件集合。
• 方法/训练流程：把 harness 拆成 System Prompt、Rule Bank、Safety Memory、Tool Policy 四个工件，按 rollout 评估→结构化诊断→工件路由→有界编辑→安全-效用验证的闭环进化。
• 基准与样本：在 Agent-SafetyBench 前 200 个任务上构造 6 种条件，并迁移到 AgentHarm 的 440 个增广有害行为。
• 关键结果：对静态 SafeHarness，ASR 从 17.1%降到 5.5%，UA 从 31.6%升到 47.6%。在 AgentHarm 上，Harm Score 从 19.8%降到 9.8%，Benign NR 基本不变。
• 证据强弱：结构完整，含 held-in、held-out 和跨模型迁移。
• 局限：进化子集只有 15 任务，仍是内部评测。
• 复现条件/代码：论文报告了官方 GitHub 项目；复现需 Agent-SafetyBench、AgentHarm 与四类 harness 工件的编辑/验证流水线。
• 目标线关系：安全边界变成可演化工件，是自进化系统里最清楚的一条防护线。
• 结论：精读。

31. From Relevance to Execution Utility: Reward-Aware Dynamic Execution Gating for Skill-Based LLM Agents

• arXiv：https://arxiv.org/abs/2608.09168
• 研究问题：检索到「相关」技能束不等于值得执行；每次 skill-conditioned rollout 又很昂贵，因而需要在检索后、执行前单独判断效用。
• 方法：RADEG 对同一查询的技能束做删除、添加或替换扰动，用匹配 rollout 隔离技能组成对 verifier reward 的影响；部署时只更新轻量 logistic head，不重训检索器或 agent。
• 关键结果：GoS 的 288 个 rollout 上，5 折 AUROC 0.717、AUPRC 0.570；默认阈值跳过 68%调用，保留 61% verifier reward。40%预算下保留 61%奖励，PPR-Gate 为 40%。
• 证据强弱与局限：中等。多分割、bootstrap、跨 agent 与跨检索器实验齐全；但样本仅 288 个 rollout、只有一个基准，且依赖日志型 verifier 反馈。
• 复现条件/代码：附录给出环境与协议；未报告代码或数据链接。
• 目标线关系：把「检索相关性」与「执行效用」拆开，是技能选择之后、执行之前的门控层。
• 结论：精读。

32. SCOUT: Self-Checking and Recovery-Aware Tool-Thought Agents for Ultra-Long Egocentric Video Reasoning

• arXiv：https://arxiv.org/abs/2608.07959
• 研究问题：超长视频中的稀疏证据跨越数十分钟乃至数天，刚性 zoom-in 会传播早期错误，多轮工具强化学习又缺少细粒度信用。
• 方法：SCOUT 在 Refine 与 Recover 之间自适应切换；UPS-GRPO 对不确定的 post-tool 状态优先采样，并把轮级工具奖励与最终答案奖励相乘，缓解长轨迹信用分配。
• 关键结果：Video-MME Long、EgoLifeQA、Ego-R1、HourVideo 上分别达到 63.0、47.6、49.0、35.8；相对最强 agentic 基线，EgoLifeQA 提升 9.1 点、Ego-R1 提升 6.0 点。RL-only 明显退化，SFT+RL 才达到完整结果。
• 证据强弱与局限：中强。四基准且公开负结果；但主要只有 7B 单骨干，无独立复现，较短视频上的优势较弱。
• 复现条件/代码：需 Qwen2.5-7B-Instruct、LLaMA-Factory 与 verl；训练数据和代码未报告公开。
• 目标线关系：给长程工具 agent 补上「恢复」动作，也把中间工具轮次变成可训练的信用单位。
• 结论：精读。

33. Mendel Gödel Machine: Recursive Self-Improving Coding Agents via Comparative Evolution

• arXiv：https://arxiv.org/abs/2608.07645
• 研究问题：从单条失败轨迹做自修改，忽略了同一 agent 的重复失败与不同谱系之间的比较信号。
• 方法：MGM 在克隆突变之外加入反应规范突变与跨谱系杂交，复用档案轨迹比较重复失败和成功谱系，不增加额外评估；论文另在简化适应度景观上证明比较证据可提高有效修复概率。
• 关键结果：SWE-bench Verified-60 从 68.3 升到 78.3，Polyglot-60 从 50.8 升到 93.2；冻结后迁移到完整 225 题 Polyglot，DeepSeek-V4-Pro 达 96.89%。一次进化平均约 68 小时。
• 证据强弱与局限：较强。理论、仿真、双基准、跨模型和消融均有；但只覆盖编码 agent，60 题子集和种子有限，档案稀疏时会退化为单轨迹方法。
• 复现条件/代码：官方项目页与代码仓库已报告；需 Qwen3.6-35B-A3B 或 DeepSeek-V4 系列及仓库级评测环境。
• 目标线关系：它把轨迹档案从日志升级为进化素材，直接回答「跨轨迹比较是否比单失败修补更可靠」。
• 结论：精读。

34. TelemetrySuffBench: Is Agent Telemetry Sufficient for Failure-Origin Diagnosis?

• arXiv：https://arxiv.org/abs/2608.07899
• 研究问题：能检测到失败，不代表能定位失败起源；终态和常规遥测究竟缺了什么因果信息。
• 方法：构造 312 条带因果阶段标签的受控轨迹，覆盖 3 个领域、4 种九组件循环和 6 类延迟绑定故障；分开评估失败检测、起源定位与证据不足时的安全弃权。
• 关键结果：完整遥测下，多数前沿模型的 origin-step Top-1 为 84.7%–97.2%，但 Metadata、OpenTelemetry、OpenInference 视图虽然检测 F1 仍达 99.5%–100%，起源定位不超过 0.5%；去掉决策内容后，720 次评估的起源精度为 0%。
• 证据强弱与局限：强受控基准，有盲 holdout、bootstrap 和多模型；但仅覆盖一种合成故障机制族，主面板多数条件为单次响应。
• 复现条件/代码：论文给出匿名评审数据与实现链接；API 实验成本约 2400 美元。
• 目标线关系：为轨迹归因划出硬边界：检测依赖终态即可，因果定位需要显式的 decision-to-provenance 链接。
• 结论：精读。

35. Privileged Likelihood Is Not Automatically Value: Three Checks for Token Credit in On-Policy Self-Distillation

• arXiv：https://arxiv.org/abs/2608.09263
• 研究问题：训练期的特权上下文能改变 token 似然，但这种变化是否真的等于结果信用。
• 方法：把问题拆成结果对齐、反馈分配和损失诱导行为三项检查，并在 gpt-oss-20b 的 AIME 2025 训练中，对 outcome-only 与五种 token 分数配方做匹配比较。
• 关键结果：已实现的 additive 分数 pooled AUC 为 0.505，接近随机；outcome-only 的 avg@4 为 64.2–64.3，五种 token 分数配方仅 24.2–33.9，全部落后 30.4–40.0 点。
• 证据强弱与局限：形式化分析加匹配训练负结果，警示很强；但仅单模型、单数学基准、单 seed，且反馈来自外部 LLM judge。
• 复现条件/代码：需 gpt-oss-20b、AIME 2025、外部 judge 与论文六套训练配置；原文未提供代码或数据链接。
• 目标线关系：它直接否定「似然变化可以默认充当长轨迹 token 信用」这一捷径，适合与失败轨迹蒸馏并读。
• 结论：精读。

36. Long SKILL Compliance as Logical Reasoning: Closure-Grounded Detection with Scaling-Guided On-Policy Distillation

• arXiv：https://arxiv.org/abs/2608.08146
• 研究问题：长 SKILL 文档的合规审计既要恢复强制前置条件，又要保留义务到证据的溯源；直接把全文交给大模型成本高且不稳定。
• 方法：SkillCDG 先做 SKILL 级与约束级两层检索，再在带来源跨度的约束依赖图上求传递闭包，最后让模型判断合规；训练侧用规模与图复杂度估计师生 headroom，筛选 OPD 样本。
• 关键结果：Fulfillment 上 4B 模型 F1 提升 12.8 点，在线 token 从 35.0k 降到 12.5k；公开 CompliBench/Long 提升 1.5–3.8 点。但在部分大模型上，ACC 反而低于 RawSkill。
• 证据强弱与局限：中强。5 数据集、3 模型族、4 种规模和消融齐全；企业数据未公开，经验缩放式不是通用 scaling law，公开集绝对准确率仍低。
• 复现条件/代码：开源裁判需 8×H20 96GB，OPD 需 2×RTX PRO 6000 96GB；未报告代码或数据发布。
• 目标线关系：补齐技能生命周期里的审计与合规层，也说明结构化闭包对小模型有用、对大模型却未必单调增益。
• 结论：精读。

二、3 篇邻近跟踪

1. Agentic Auto-Research is Fuzz Testing

• arXiv：https://arxiv.org/abs/2608.09855
• 研究问题：自主研究代理生成候选的速度快于验证速度，最终稀疏分数不足以决定下一次搜索。
• 方法/训练流程：立场论文把 auto-research 控制回路类比为 greybox fuzzing，主张用廉价、密集的中间进展信号引导下一次干预，同时把最终验证留在受保护通道。
• 基准与样本：无自有实验、无自建基准；全文以外部工作和三条可证伪预测支撑论点。
• 关键结果：无自有实验；文中证据来自外部工作与三条可证伪预测。
• 证据强弱与局限：弱。论证清楚，但不能当作性能进展证据。
• 复现条件/代码：无实验、无代码。
• 迁移连接点：可把长程研究 agent 的反馈拆成「引导搜索」与「裁决结论」两路，避免用同一个脆弱分数同时承担探索和验收。
• 结论：邻近跟踪。

2. Different Feedback, Different Updates: Selective Self-Learning from User Interactions for Large Language Models

• arXiv：https://arxiv.org/abs/2608.09109
• 研究问题：一条用户反馈可能包含应全局固化的修正、只在特定任务应用的精修，以及不应产生更新的噪声。
• 方法：SLIFT 把反馈拆成 Fix、Spec、Null；Generalist 用自蒸馏固化 Fix，Specialist 只在适用且未满足时应用 Spec，Null 不产生正向更新。
• 关键结果：Ministral3-14B 消融中，完整模型的 MemoryBench Norm-Score、IFEval、AlpacaEval LC 分别为 53.22、69.71、66.35；去 KEEP 监督后 IFEval 降至 57.63。真实 WildFB 中增益较小，约 37.7%反馈成分没有可靠更新目标。
• 证据强弱与局限：中。双基准、双骨干、5 次运行与消融完整；但 MemoryBench 使用模拟反馈，真实反馈域内增益有限。
• 复现条件/代码：论文声明匿名评审代码链接，当前可达性未完全确认；依赖 MemoryBench、WildFB 与 Qwen3.6-Plus 反馈模拟器。
• 迁移连接点：对 agent 轨迹学习最可迁移的是「不是所有反馈都该更新」；Fix、Spec、Null 可对应全局策略、局部技能和应丢弃轨迹。
• 结论：邻近跟踪。

3. LLM-Guided Heuristic Design from Simulation Traces: A Case Study in Dynamic Production and AGV Scheduling

• arXiv：https://arxiv.org/abs/2608.09343
• 研究问题：仿真优化只给聚合分数，不能解释失败原因，也不能指出该改哪段策略逻辑。
• 方法：每个候选做 10 次评分复现和 1 次诊断回放；manager 从最低分回放的 event-level trace 提出瓶颈假设，多个 editing agent 并行改代码，best-so-far 只接纳改进。
• 关键结果：最佳 Gemini-3.1-Pro run 从 62.49 升至 78.61，5 次 run 最终均值平均 77.51；独立 100 个匹配种子重评中，每个种子都优于代表性基线。但部分优势来自框架拥有更宽的主动充电决策空间。
• 证据强弱与局限：中。5 次独立运行、多骨干、匹配种子检验与消融齐全；但只有一个自建仿真案例，最低分 trace 未必代表典型状态。
• 复现条件/代码：附录给出环境和协议；未报告公开代码、仿真器或数据。
• 迁移连接点：它示范了如何把长程 trace 从「排名依据」升级为「诊断后再改代码」的搜索信号，可迁移到 loop policy 和技能演化。
• 结论：邻近跟踪。

三、排除项

Mismatch Matters: On-Policy Distillation Beyond Token Agreement

• arXiv：https://arxiv.org/abs/2608.09836
• 排除说明：论文研究 on-policy distillation 中 student-excess 与 student-deficit 两类 token 失配，重点是数学推理后训练的稳定性；没有 agent、自主闭环或长程任务机制。它与「选择性更新」只有概念呼应，因此不计入本期收录。

四、整体判断

• 失败轨迹已从废料变成资产：Reason Wide、FailForge、Branch2Skill 和 MGM 分别展示了离线蒸馏、失败再生成、树上局部监督和跨谱系比较；共同约束是更新前必须有泄漏过滤、验证门控或对照证据。
• 路由、执行与验证必须分层：SkillReason 解决「找什么」，RADEG 解决「值不值得执行」，SkillSentry 解决「执行时是否偏离」，TelemetrySuffBench 则说明「发现失败」不等于「定位起源」。
• 记忆治理包含写入、呈现与撤销：SodaMem 管时效与来源，TRACE-Memory 决定何时不用历史，Structured Memory 控制跨域泄漏，OBLIVION 处理删除后的重建风险。
• 自进化的最低治理单元是可回滚工件：OpenLoopEvolve 管 loop policy，SHE 管四类 safety harness，SESG 管生产护栏；没有版本、门控、归因和独立验证，进化只会把错误放大。
• 邻近项的价值都在可迁移结构，而非直接性能结论：fuzzing 类比提供反馈架构，SLIFT 提供选择性更新分类，仿真轨迹论文提供「诊断—改码—独立复评」闭环。