Agents / LLM / Harness 论文日报（2026-08-27）

今日概览

本期检索窗口为 2026-08-26 08:45 至 2026-08-27 08:45（新加坡时间），重点核对 arXiv 在 2026-08-26 发布的新论文列表，并补查 OpenReview、ACL Anthology 与作者/机构页面。今日最清晰的趋势不是单纯扩大模型，而是把 Agent 的执行轨迹、协作协议、推理调度和引用链路变成可观测、可优化的系统对象。共筛出 7 篇值得关注的工作；没有纳入纯观点稿、无实验论文，以及虽出现在列表中但原始元数据明显不属于本窗口的旧稿。

时间口径说明：arXiv 的“新列表出现日”与作者原始提交时间可能相差 1–2 天。本报告以 2026-08-26 新列表首次公开出现为纳入依据，同时保留每篇论文的原始提交日期。

重点论文

1. Automata from Agent Traces: Failure and Next-Step Prediction

作者 / 机构：Seonglae Cho、Franklin Cardenoso Fernandez、Umar Mohammed、Zekun Wu、Kleyton Da Costa、Ilham Wicaksono、Adriano Koshiyama；Holistic AI、PUC-Rio、University College London
日期：2026-08-24 提交；2026-08-26 进入 arXiv 新列表
标签：Agent Harness、轨迹分析、失败预测、运行时监控
原文：arXiv:2608.23670
核心问题：多步 Agent 的轨迹通常是冗长文本或工具调用日志，现有监控多在单条轨迹上判断，难以从大量运行中抽取可复用的行为结构。
方法与关键结果：论文把整个轨迹语料压缩成有限状态机（FSM）。在 12 个公开数据集上，FSM 仅有 7–43 个状态，测试轨迹重放适配度不低于 0.997，构建时间为毫秒级；状态特征的失败预测 AUROC 最高 0.94，并可在 SWE-agent 执行约 32% 时触发早停。FSM 状态作为上下文时，在 8/8 数据集上超过 Agent Workflow Memory。
创新点：把 Harness 产生的跨运行“行为拓扑”视为比单次 Chain-of-Thought 更稳定的结构，并将同一结构同时用于工作流记忆、下一步预测、失败预测和在线监控。
局限性：活动抽取函数仍需要少量领域知识；FSM 只拟合已观测轨迹的直接后继闭包，可能接受保持局部转移统计的对抗轨迹；更大动作空间下状态会膨胀。跨模型失败预测目前仅在 3 个 tau2-bench 套件验证，平均 cross-AUROC 为 0.786。
为什么值得关注：这是少见的、真正面向生产 Harness 可观测性的工作，方法轻量、可解释，而且不要求修改底层模型。

2. Who is the Agent to Blame? Localizing Faithfulness and Citation Mistakes in Agentic Deep Research

作者 / 机构：Eran Hirsch、David Wan、Han Wang、Elias Stengel-Eskin、Mohit Bansal、Ido Dagan；Bar-Ilan University、UNC Chapel Hill、UT Austin
日期：2026-08-25 提交；2026-08-26 进入 arXiv 新列表；EMNLP 2026 Main
标签：Deep Research、多智能体、引用评测、错误归因
原文：arXiv:2608.24306
核心问题：深度研究系统的事实与引用错误会在搜索、摘要、研究、编排、写作等多个 Agent 间传播，仅看最终报告无法定位错误首次出现在哪一层。
方法与关键结果：提出局部调用级评测，把错误分为 hallucination、uncited input reliance、uncited output、insufficient citations，并在 AI-Q、MS-Agent、TrajectoryKit 三套开源系统上追踪传播路径。AI-Q 中 84.7% 的最终报告错误可追溯到 orchestrator，其中约 31% 为幻觉；针对性的一句提示修改即可使 citation recall 提升 5%，citation precision 提升 3–7%，且未观察到输出质量下降。
创新点：评测单位从“整篇报告”下沉到“每次 Agent 调用及其输入输出”，从结果评分转向可执行的根因定位。
局限性：核心归因依赖 LLM-as-a-judge；模型能力与错误类型之间主要是观察性关系，尚未完成同模型跨角色的严格控制；表格中的引用未纳入主分析。
为什么值得关注：对于任何多阶段检索与生成系统，这套局部忠实性检查都比单一最终分数更容易转化为工程修复。

3. AgentSpec: Speculative Decoding for Batch Inference of LLM Agents

作者 / 机构：Xin Wang、Ziming Miao、Yi Zhu、Hui Shen、Zhongwei Wan、Fan Yang、Mi Zhang；Ohio State University、Microsoft Research、University of Michigan
日期：2026-08-25 提交；2026-08-26 进入 arXiv 新列表；EMNLP 2026
标签：Agent 推理、Speculative Decoding、批处理、vLLM
原文：arXiv:2608.24004
核心问题：传统推测解码在小 batch 下有效，但 Agent 工作负载包含推理、工具调用、结果解释等异构阶段；batch 增大后，错误草稿与验证成本会使现有方法甚至慢于普通自回归解码。
方法与关键结果：AgentSpec 用“结构隔离草稿”只复用相同语义块中的历史延续，再按历史冗余度动态分配每个请求的草稿预算。基线的草稿拒绝率为 53.3%–88.7%，AgentSpec 降至 26.4%。在 Deep Research、代码生成、GAIA、SWE-Bench 和多种模型上，最高达到 2.02× 加速；GPT-OSS-20B 的四类 Agent 负载分别为 1.48×、2.02×、1.19×、1.69×。
创新点：首次把 Agent Harness 的语义边界直接暴露给推理服务，利用工作流结构提高推测解码的接受率和 batch 预算利用率。
局限性：需要应用显式提供 agent-id、query-id 和语义块分隔符；主要验证基于 vLLM、A100/H100 和特定模型族，尚缺真实线上到达分布、端到端尾延迟与持续工具等待场景评测。
为什么值得关注：它说明 Harness 元数据不只是调度信息，还可以成为底层解码器的性能信号，对在线 Agent 服务很有现实价值。

4. AgentRoom: Concurrent Multi-Agent Coding in a CRDT-Backed Shared Workspace

作者 / 机构：Seonglae Cho、Donghyun Lee；Holistic AI、UC Berkeley
日期：2026-08-24 提交；2026-08-26 进入 arXiv 新列表
标签：多智能体编码、并发协作、MCP、CRDT、Harness
原文：arXiv:2608.23740
核心问题：多 Agent 编码常被实现为串行角色流水线或独立并行采样后合并，缺少实时的文件认领、状态广播和冲突协调。
方法与关键结果：AgentRoom 在 CRDT 合并文件系统上，通过 MCP 暴露 claim、release、state、broadcast、read 等协作原语。在 12 个模型×任务分层中，单 Agent 的任务放弃优势比为 AgentRoom 的 13.7 倍（95% CI 3.9–48，p<1e-5）；匹配计算量时，相比 parallel-merge 的平均质量优势为 +0.213。
创新点：实验将“并行度”“共享底层”“显式协调”分开比较，结果指向真正有效的组件是运行时协调协议，而不是单纯增加 Agent 数量或使用 CRDT。
局限性：主实验集中于 4 个后端任务和 Express.js/TypeScript；部分格子的样本量仅 7–35；主要质量指标是 LLM judge 而非独立隐藏测试；跨 Python/Rust 的验证只属小规模机制检查。
为什么值得关注：对并行 Agent 系统而言，论文给出了很具体的 Harness API 设计和匹配算力对照，值得用来重新审视“多 Agent = 多份独立输出”的常见做法。

5. Serving Masked Diffusion LLMs: Characterization and Design Principles from Real Hardware

作者 / 机构：Farhana Amin、Sabiha Afroz、Mona Moghadampanah、Dimitrios S. Nikolopoulos；Virginia Tech
日期：2026-08-24 提交；2026-08-26 进入 arXiv 新列表
标签：Diffusion LLM、在线推理、批处理、GPU 服务
原文：arXiv:2608.23807
核心问题：masked diffusion LLM 并非逐 token 自回归生成，若沿用 AR 服务系统的调度假设，可能错误估计吞吐、延迟和批处理收益。
方法与关键结果：作者在单张 H200 上分析 LLaDA-8B-Instruct+D2F LoRA。请求所需去噪步数呈 11 个离散层级，事前预测最好 R² 仅 0.150；单请求时间只有 24% 为 GPU 计算，其余主要是 CPU dispatch。把多个请求在每个去噪步共享 forward pass 后，batch=16 相对逐请求 dispatch 获得 16.0× 吞吐提升。
创新点：从真实硬件测量出发，提出 dLLM 应以“每个去噪步”为并行与调度单位，而非照搬 AR token-level serving。
局限性：仅验证单一模型/适配器与单张 H200；调度模拟的小样本复制后容量估计移动约 24%；batch 8/16 的质量保持主要靠结构论证，尚未完成直接实证；slot-based batching 仍是分析设计。
为什么值得关注：即使当前生产仍以 AR 为主，这篇论文揭示了下一类生成架构可能迫使推理 Harness 重写 admission、batching 与 eviction 逻辑。

6. Giga-Embeddings: Mixture-of-Experts Encoders for High-Throughput Text Embeddings

作者 / 机构：Egor Kolodin、Egor Krasnoperov、Evgeniy Kosarev、Fyodor Minkin；MIPT、SaluteDevices、MSU
日期：2026-08-24 提交；2026-08-26 进入 arXiv 新列表
标签：Embedding、MoE Encoder、RAG、检索效率、蒸馏
原文：arXiv:2608.23806
核心问题：大规模 embedding encoder 的容量、检索质量与吞吐通常互相牵制，而常规蒸馏还会受到教师/学生向量维度不一致的限制。
方法与关键结果：提出 10B、每 token 激活约 1.8B 参数的稀疏 MoE 双向编码器，并用“相似度分布”而非逐维向量对齐蒸馏 480M 模型。在 1024-token 输入下，10B MoE 吞吐比 dense 3B 高 25%，比所测外部系统高 1.56–2.65×；480M 模型在 Russian MTEB 得分 70.98，以少 42% 参数略超 FRIDA。
创新点：将稀疏 MoE 用于通用双向 embedding encoder，并以维度无关的候选相似度分布完成跨结构蒸馏。
局限性：每个模型仅单次跑分，没有不确定性估计；吞吐只在一个服务环境测量，未隔离稀疏激活与其他实现差异；训练混合含非公开数据，污染与复现难以独立审计。
为什么值得关注：对于 RAG、召回和大规模向量化服务，这是今天与推荐系统最直接相关的一篇，但结论仍需在自有硬件与业务分布下复测。

7. Autonomous Mathematical Discovery in an Open-World Multi-Agent Environment

作者 / 机构：Stephen Chung、Wenyu Du、William J. Wesley；DualverseAI 研究团队
日期：2026-08-24 提交；2026-08-26 进入 arXiv 新列表
标签：多智能体、开放世界、长期记忆、AI for Science、可验证发现
原文：arXiv:2608.23691
核心问题：大多数 AI 科学发现系统依赖中央控制器和固定优化循环，难以观察多个自主 Agent 是否能在共享文献、实验与记忆环境中产生长期、非脚本化的研究进展。
方法与关键结果：Station 允许不同模型族的 Agent 自主选题、实验、交流、发表并继承共享研究记录。针对 12 个 AlphaEvolve 构造问题和 2 个案例，系统声称在 5 个问题上得到相对既有文献的新结果，包括有限域 Kakeya 集、11 维 604 点 kissing configuration、离散 Kakeya needle 与 sign uncertainty 新记录等；同时公开原始对话、证明和验证代码。
创新点：把重点从单次搜索最优解移到多 Agent 的开放世界知识积累，并提供可审计的完整研究轨迹与验证工件。
局限性：部分结果仍是有限规模、分别优化的构造，不能替代统一理论构造；与 AlphaEvolve 的人类专家参与方式并不完全对等；数学新颖性和证明正确性仍需独立专家复核。
为什么值得关注：这是对“长期运行 Agent 环境是否能产生可验证新知识”的强实证案例，但应把结果视为待独立复现的研究声明，而不是已经完成同行验证的结论。

值得继续追踪

Harness-native inference：继续观察 AgentSpec 是否能在真实在线流量、工具等待、混合上下文长度和 P95/P99 延迟约束下保持收益；尤其要验证语义块标注成本是否抵消解码收益。
结构化运行时监控：重点追踪 Automata from Agent Traces 在动作空间更大、策略频繁更新和线上分布漂移时，FSM 是否仍保持紧凑，以及误杀早停的实际成本。
跨 Agent 错误归因：关注 Deep Research 的局部忠实性评测能否扩展到表格、数值计算和代码执行结果，并减少对 LLM judge 的依赖。

实践启发

给生成式召回建立“轨迹 FSM 监控”小实验：将每次在线推理抽象为有限动作序列，例如输入校验→用户编码→c1 展开→c2 展开→在线集合过滤→热度融合→返回。用近 7 天成功/异常轨迹训练 FSM，测试它能否提前识别非法 code 比例升高、beam 退化、候选骤减等异常；指标用 AUROC、误报率、提前量和节省的无效 GPU/CPU 时间。
按结构块做缓存与预算分配：借鉴 AgentSpec，不要把历史生成统一视为一个缓存池。可分别维护 c1、c2、c3 或“用户编码/码本解码/在线重排”的重复模式，并把额外计算预算分给历史一致性更高、接受概率更高的请求。先做离线 replay，比较固定预算与冗余度自适应预算的 Recall@K、P95 延迟和吞吐。
尝试相似度分布蒸馏召回塔：用当前较大 user/item encoder 产生 batch 内候选相似度分布，训练更小的线上 encoder 对齐分布，而不是逐维拟合 embedding；重点对比维度变化时的 Recall@K、长尾主播覆盖、SID 前缀分布和线上 QPS。该实验与 Giga-Embeddings 的蒸馏思路直接相关，但必须使用业务负样本与在线候选分布重新验证。

检索说明

主要数据源：arXiv cs.AI 新列表、arXiv cs.CL 新列表、arXiv cs.LG 新列表、OpenReview、ACL Anthology，以及论文 HTML/PDF 和作者/机构页面。
关键词：agent、multi-agent、tool use、planning、memory、computer use、agent evaluation、harness、runtime、orchestration、scaffolding、context engineering、MCP、sandbox、trace、LLM serving、long context、RAG、embedding、post-training、alignment、inference efficiency。
去重口径：按 arXiv ID、标题和作者合并交叉列表；只把 2026-08-26 新列表中首次公开出现的 v1，或确有方法、实验、数据实质变化的修订版纳入。仅格式/措辞更新不计。
筛选备注：例如 RENDER 虽出现在相关列表抓取结果中，但其 arXiv 页面标注原始提交为 2026-06-05，故未按“过去 24 小时新发布/实质修订”纳入；CausalCache、SA-RSQ 等 v2 的公开记录未说明足够明确的实质变化，也未作为修订论文推荐。