8 月 8 日 AI 日报

论文原始提交于北京时间 8 月 6 日 17:17，处于本次扩展的 72 小时窗口；作者把本地屏幕捕获确定性地切成带应用、站点、时间、输入量和原始证据指针的活动帧，不让模型参与编译。作者在单个专业用户、51 个活跃日和 128,756 帧上报告，日级原始记录可在 68 毫秒内压缩 86 倍，Agent 问答准确率为 98.4%，高于同数据的 LLM 摘要，并演示命中既有例程时零模型 token 回放。样本只有一人，成本上限还包含建模假设，论文未同行评审。国内判断：若用于个人效率或桌面 Agent，应默认本地存储、最短保留和可见暂停，先屏蔽密码、聊天、金融与医疗窗口；确定性结构化日志可降低重复推理，但不能以效率为由持续录屏或越权回放。

论文原始提交于北京时间 8 月 6 日 17:10，处于 72 小时窗口；作者用统一的蒸馏、验证、迁移流程测试冻结的提示侧操作手册。在 ALFWorld 的受控贪心解码中迁移有益，TAU2-Bench 的总体优势有限，135 个路由级效应经多重校正后只剩 1 个显著；在 XBench-DeepSearch 中，同一产物换上下文和运行时后出现重复查询、延迟停止和明显成本膨胀。论文未同行评审，也没有一个可普遍套用的迁移阈值。国内判断：从开源仓库复制 Rules、Skills 或系统提示时，要在目标模型、工具协议、停止条件和价格下重跑成功率、平均调用数与 P95 成本；旧手册只能作为冷启动候选，不能默认直接上线。

论文原始提交于北京时间 8 月 6 日 15:37，处于 72 小时窗口；它用风险感知世界模型维护紧凑的循环隐状态，预测未来状态，再融合即时危险和前缀累积风险决定是否拦截。作者称在 4 个基准和一次在线评测中，其安全—效用权衡优于所比较的被动与主动护栏，平均端到端延迟为每次调用 25 毫秒。摘要未给完整误拦与漏拦数字，论文未同行评审，25 毫秒依赖作者环境。国内判断：支付、删库、发信和云资源 Agent 不能只检查单步动作；应给状态累积、权限扩张与不可逆后果设前瞻规则，同时保留硬权限、人工批准和可撤销事务，不能用学习型护栏替代访问控制。

论文原始提交于北京时间 8 月 6 日 13:51，处于 72 小时窗口；作者认为技能自动修订的稀疏奖励会把多种失败原因混在一起，贪心修改容易被早期误诊锁死。SkillHEX 把失败假设转成可执行测试，以诊断证据作为密集反馈，并保留多条技能修订分支；在 SkillsBench 的 87 个任务、5 轮预算下，作者报告 GPT-5.3-Codex 和 Claude Opus 4.7 的平均通过率分别为 55.9% 和 57.9%。样本较小、对照和成本需看全文，论文未同行评审。国内判断：自动改 Skills 时应保存分支、失败证据和回滚点，并限制试验预算；任何会执行脚本或修改生产配置的修订都必须经过静态审计与人工批准。

论文原始提交于北京时间 8 月 6 日 11:52，处于 72 小时窗口；基准包含 11 个领域、50 项任务的 681 条真实 Agent 轨迹，并让裁判检查可直接访问的工件和环境。作者把验证知识外置成 JudgeSkill，再用误判样本自动改进；报告同一 Agent 裁判准确率提升 14.8 个百分点，离线从 10 条 rollout 选轨迹时，所选成功率由单条的 22.9% 提至 45.5%。这些是作者基准结果，裁判与任务分布可能同源，论文未同行评审。国内判断：代码、表格、运营和浏览器 Agent 的验收要检查文件、页面状态、测试与副作用，而不是只让另一个模型读总结；JudgeSkill 也需用独立留出集防止裁判迎合答案格式。

论文原始提交于北京时间 8 月 6 日 09:47，处于 72 小时窗口；304 个真实案例衍生任务给本地查询、广泛搜索、复合研究、强模型和人工升级分别定价，测试何时省钱、何时升级、何时因前提不成立停止。作者指出永远升级在微平均成功率上会显得很好，却在该省钱的任务上失败；所测工具 API Agent 的严格成功率为 3.9%–24.0%，经济一致性最多 7.3%，GPT-5.4 的预算跨阈值后升级率也只从 0% 到 3%。论文未同行评审，价格表和任务不代表国内实际成本。国内判断：企业 Agent 应把单任务预算、升级阈值、人工成本和停止理由写成可测策略，同时报告高成本任务与低成本任务两侧准确率，防止“为了成功无限调用”。

论文原始提交于北京时间 8 月 6 日 01:27，处于 72 小时窗口；作者在可复现的模板化企业流程中注入失败，比较路由、恢复与分解质量。26 个标注案例里，关键词/标志路由器在误导或缺失表面线索时为 0%，意图推理路由器为 100%；受控算术依赖链中，工具故障完全恢复，模糊委派只恢复 0.30，三类潜在或语义故障为 0，盲目重试还延迟发现，级联半径随流水线深度 3 到 7 由均值 0.9 增至 4.7。作者明确称这是机制探针，不是行业工作负载结论，论文未同行评审。国内判断：多 Agent 不应只统计最终成功率，要记录错误源、传播范围、可信状态和恢复原因；重试前先分类，语义或状态错不能靠原样再跑。

论文原始提交于北京时间 8 月 5 日 17:09，处于 72 小时窗口；SearchAuditBench 收集 8 个开源权重模型在 5 个深度搜索基准上的 1,243 条失败轨迹，平均 73.1 条消息、65.1K token，并由专家标注关键错误步、根因和修复。作者报告 GPT-5.5 最强基线端到端通过率为 26.6%，其多视角证据裁决框架为 32.3%，把修复续接回原任务后能改善恢复。提升仍有限，标注和评分流程未独立复核，论文未同行评审。国内判断：深度研究报告必须保留查询、打开页面、证据摘录与引用映射；审计器只能缩小人工排查范围，不能成为自动签发事实结论的唯一门槛。

论文原始提交于北京时间 8 月 5 日 15:38，处于 72 小时窗口；作者认为 Agent Skill 同时含元数据、自然语言、代码、工具、引用和工作流，普通代码克隆检测会漏掉只复用部分结构的情况。框架仅在入库时用一次 LLM 抽取操作图，审计阶段确定性比较缓存轨迹；作者在 100 个市场锚点、820 个变形复用正例和 751 个负例上报告 AUROC 0.938、F1 0.898，并审计 36,446 个技能。基准由作者构造，不能据此直接判定版权侵权，论文未同行评审。国内判断：企业引入第三方 Skills 应保存来源、版本、许可证和修改史；相似性工具只能生成复核队列，最终还要结合授权范围、实质性表达和法务判断。

论文原始提交于北京时间 8 月 5 日 23:09，处于 72 小时窗口；框架先识别 Agent 的知识缺口，再搜索外部来源，并以基于量表的强化学习共同优化何时搜、如何搜和如何生成技能。作者称在 3 个基准的 8 个专家领域中，Search2Skill 在流式和留出评测上均优于搜索增强与轨迹式技能学习对照，收益来自技能抽象而非直接塞入检索文本，并可跨模型规模迁移；摘要未提供统一分数，来源质量和授权风险仍需检查，论文未同行评审。国内判断：沉淀税务、合规、医疗或工程技能时，应只接入可追溯的官方规范，保存证据版本与有效期；生成后的技能要由领域专家审核，法规更新时自动触发失效而不是长期复用旧结论。

面向编码、研究和长时任务的自改进 RLM Agent，用持久 Python 控制环境、内置子 Agent、后台会话和可回滚的 Continual Harness 保存提示、记忆与技能；MIT，但“可执行技能”和持续后台任务会扩大本地命令、联网与费用风险。国内试用应放在隔离工作区，限制子 Agent 数、模型预算和网络出口，并要求每次 `/refine` 只做小改动、保留证据和可回滚快照。

连续上榜的工程 Skills 集，把规格、计划、构建、测试、评审、性能和发布组织成 8 个命令，并支持按工作自动触发；MIT、可本地审阅。今日仍值得看的是新增星数上升，但功能判断没有新的独立验证；国内团队应固定版本、只装需要的技能，用内部中文任务对比成功率、token 和返工，不要因连续上榜直接全局启用。

连续上榜的 Agent 虚拟文件系统，以 Durable Objects/SQLite 保存状态，可接容器 FUSE、隔离 shell 和隔离 JavaScript 后端；MIT。README 仍明确标注仅供 Preview、API 不稳定且不适合生产，因此今天没有足以改变风险判断的新进展；国内团队可读源码做原型，但要先核对 Cloudflare 可达性、计费、数据驻留、容器权限和本地替代方案。

连续上榜的一组小型、可组合工程 Skills，可经 Claude Code 插件或 `skills` CLI 安装到 Codex 等工具；MIT。README 继续强调两种安装路径二选一，否则会重复加载，并称原生 Codex 插件仍在路线图上；国内团队应项目级安装、审计 Shell 与自动更新来源，避免把个人工作流无验证地变成企业默认规则。

用需求澄清、设计确认、计划、红绿 TDD 和子 Agent 开发组织编码流程，支持 Codex、Claude Code、Cursor 等；MIT，国内可本地使用。但自动触发技能与多子 Agent 会扩大执行面和 token 消耗，企业环境应限制插件来源、命令权限、并发和预算，并保留人工设计确认、代码评审与回滚，而不是把方法论当成质量保证。

连续上榜的自托管身份提供商，支持 SAML、OAuth2/OIDC、LDAP、RADIUS，以及 Docker Compose 和 Kubernetes 部署；虽不是 AI 项目，但可为内部 Agent、MCP 与管理台提供统一身份入口。GitHub 元数据仍未识别 SPDX 许可证，企业版边界、升级和支持需查官方文档；国内生产部署还要验证高可用、密钥轮换、审计日志、等保和国密要求。

为企业数据构建上下文图、知识图和决策溯源的图原生基础设施，强调可自托管、确定性推理、RDF/LPG 与 W3C 互操作；MIT，可通过 pip 安装。README 的“面向高风险领域”和“无需 LLM 构图推理”属于项目方主张，尚不能替代真实基准；国内团队应先用小数据验证连接器、中文实体、权限继承、删除与查询性能，再评估与现有图数据库的重复建设。

用多 Agent 构建带角色、记忆和交互的模拟世界，声称可从政策、新闻或报告推演未来，也可用于故事创作；AGPL-3.0。群体模拟输出是情景演练，不是经过独立验证的预测，代理数量也会带来显著模型调用和偏差放大；国内用于政策、舆情或投资前，应清楚标注假设、随机性和不可作为决策事实，敏感资料不得上传未经审计的在线演示。

为 Grok Build、Web 和 Console 提供多账户 API 网关，并带模型路由、文件、工具与计费等周边入口；MIT，但 README 明确要求遵守 Grok 官方条款与当地法律。多账户聚合、会话凭据和非官方接口可能触发账号封禁、隐私与服务条款风险，国内用户不应把它用于绕过访问、配额或付费限制；企业接入应优先使用官方 API、独立密钥和合规账单。

把 Node、Python、Go、Terraform 等开发工具版本、环境变量和任务统一写入 `mise.toml`，使新终端、检出和 CI 使用相同环境；MIT，不是 AI 项目，但能减少编码 Agent 因运行时漂移导致的失败。国内团队应从官方发布或可信包源安装、锁定版本并审核插件后端；环境变量文件仍可能含密钥，不能因为由 mise 加载就降低权限和日志脱敏要求。

**给每个 Skill 建“迁移验收单”**

目标模型、工具协议、停止条件、成功率、平均调用数、P95 成本和失败回滚必须重新测；来源环境有效不等于目标环境有效。

**把 Agent 安全从单步拦截升级为轨迹风险**

记录权限、外部状态和不可逆性如何累积；支付、删除、发送和云资源变更仍由硬权限和人工批准兜底。

**预算要成为任务输入而非月底报表**

同时设置升级条件和节省条件，分别报告两侧准确率；对重复搜索、盲目重试和无证据强模型升级设置自动停止。

**长任务验证必须看工件与传播链**

裁判读取真实文件、页面、测试和副作用，标注关键错误步与级联半径；模型审计器只负责缩小复核范围，最终高风险结论由人确认。