MemMux为并行编码Agent提供可验证内存归属、子进程回收、逃逸检测及超额准入，含真实Claude Code运行验证。
Agent任务评测模型部署长程任务评测
沙丘判断：并行度需要依据真实进程资源控制，子进程逃逸和回收应纳入容量管理。
AI技术追踪
免费开放按技术方向追踪论文、模型、开源项目、产品服务与工程实践
今日重点22条
AI技术动态分布
AI技术追踪库
SquidAgent用输出token预测并行关键路径与协调开销，继承编排者会话并预先统一约定，再确定性调度是否并行。
Agent 协作
沙丘判断：并行不总能省时，输出预测、共享上下文和约定成本应纳入调度判断。
ParanoiaEval用200仓库配对任务仅改变风险处理决定性证据，评测编码Agent过度防御及证据响应，含人工校准判断。
Agent任务评测
沙丘判断：风险处理应响应决定性证据，最小配对任务可检验过度防御造成的浪费。
ScienceClaw跨23学科持续自演化Agent评测，技能更新须源任务重放复现且独立科学任务改善，控制保留、迁移与成本。
Agent任务评测Agent Skills智能体自我改进长程任务评测
沙丘判断：技能更新需重放可复现并改善独立任务，持续评测应同时跟踪迁移、遗忘与成本。
BOTTLED在时间计算API统一预算下评测Agent将整批任务蒸馏成小模型或程序的能力，区分零样本能力与可摊销产物质量成本。
Agent任务评测
沙丘判断：单次能力与可摊销产品不同，统一预算下的产物质量和推理成本更接近复用价值。
iphone-use 将真实 iPhone 操作迁到自建 XCTest 运行器，加入 USB 管理、任务指标、失败反馈与免费开发证书续签。
Agent 环境交互
沙丘判断：真机 Agent 需要明确动作是否落地，恢复与签名管理也是长时间自动化的关键环节。
Agent Control Plane 通过 MCP 与统一 Driver 调用多家编码 Harness，加入厂商异构约束、worktree隔离、预算和客观命令验收。
Agent Harness
沙丘判断：异构评审应按实际模型厂商判断，并用可执行验收确认结果，避免只靠模型彼此宣布完成。
SoulsBench 用统一战斗状态、16种动作和200ms决策预算比较决策模型，记录超时、执行回退、成本与逐回合结果。
判别式推理与决策Agent任务评测Jev
沙丘判断：实时决策评测需要同时记录延迟、回退和环境随机性；同一 adapter seed 并不能固定游戏运行。
用角色路由、结构化任务结果、工作树和共享状态连接两个编码Agent工具。
Agent 协作
沙丘判断：可借鉴明确的交接契约和受限状态回注，固定模型目录仍需随实际账号能力维护。
连接模型网关、编码工具、后台任务与差异复核，支持计划审批及会话和代码恢复。
Agent Harness
沙丘判断：可采用编辑前文件一致性校验及差异撤销，仍需核实各模型适配器和权限配置。
独立 Herald OS alpha 项目公开桌面壳、Hermes 系统工具桥和分层权限审计，实现本机应用、文件与任务操作。
Agent HarnessAgent Runtime
沙丘判断：系统工具权限需要在执行桥中落地，同时检查旁路终端；桌面壳本身不提供完整安全隔离。
以Tauri和Rust组织工具权限、独立Agent、例行任务、持久记忆和可观察的远程桌面。
Agent HarnessAgent Runtime
沙丘判断：可参考工具权限与执行环境分层，但允许命令后仍以用户权限运行，需另选隔离环境。
以独立工作目录、部门顺序和交接笔记组织桌面Agent，并提供循环调度和人工审批步骤。
Agent HarnessAgent Runtime
沙丘判断：可借鉴任务交接与可恢复审批，生成出来的Skill仍需实际运行验证。
在一个本地推理后端前按profile锁定模型、提示、采样、输出和上下文规则，记录有效请求配置。
上下文工程Agent Harness
沙丘判断：可采用服务端预算与失败语义，但字节估计不是任意分词器的严格词元上界。
用类型化工具、持久状态和确定性Hooks治理仪表盘Agent审批/恢复，核冻结DataBrain任务和故障场景。
Agent 动作执行与治理
沙丘判断：审批、恢复与工具类型约束应进入运行时，避免只靠提示维持工作流规则。
放疗LLM以schema约束26工具调用，纵向状态与身份验证消融量化跨阶段执行及误派发边界。
Agent 工具调用
沙丘判断：跨阶段医疗工具需要维护身份和状态，单次调用正确不能替代纵向流程验收。
AegisFlow以LLM生成修复并在数字孪生影子环境验证后执行，提供故障自愈闭环；性能为作者实验报告。
Agent 动作执行与治理
沙丘判断：自动修复可以先在影子环境执行验证，生产采用仍需核对模拟与实际环境的差异。
EPOCH以类型化证据记忆、主动证伪、准入规则和独立重放治理Agent搜索与优化结果。
Agent 动作执行与治理
沙丘判断：候选结果应按主张强度准入并独立重放，不能把基准提升直接升级成科学发现。
TopoPlanner以胞腔工作流复形表示循环、合流与中间状态，检索闭子复形供LLM规划工具序列。
Agent 规划
沙丘判断：包含循环和合流的任务可先结构化，再让模型规划，减少仅靠文本序列丢失依赖。
CuratorMAS以五阶段多Agent协作完成数据探索、在线知识检索、指标计算、过滤及技能演化。
Agent 协作
沙丘判断：数据探索、过滤和技能更新应保留计算证据，避免把语言建议误当成已执行清洗。
v1 PDF明确使用固定mpnet/e5语义编码器审计行动与政策关系及行动前治理；检索到全部治理政策仍不能正确决定许可行动，图结构为后续假设。
Agent 动作执行与治理
沙丘判断：找对政策不等于理解例外与行动后果；全量升级审查的负结果提示先验收允许、阻止和转交判断，再设计治理图。
Nerveplane预先按声明范围划分并行编码工作并按依赖排序合并，以真实Git合并而非单Agent测试验证协调。
Agent 协作
沙丘判断：单个分支通过测试不保证联合修改可合并，真实 Git 合并应成为调度验收的一部分。
Trust Layer独立验证得分依据、计算轨迹、完成声明与重跑稳定性，固定规则裁决且不修改原基准分。
Agent任务评测
沙丘判断：完成声明与计算得分需要独立核验，重跑稳定性应与原基准分数分开报告。
长时记忆按主体、政策与生命周期验证检索可采纳性，在匹配必需证据召回条件下追踪提示暴露与披露。
记忆Agent任务评测Agent记忆长程任务评测
沙丘判断：检索到正确事实仍可能不该使用，主体、政策与生命周期应成为记忆读取条件。
2D-FET-Bench提供显微薄片器件布局任务与确定性几何校验，比较LLM Agent脚手架及专家审计的真实设计合格率。
Agent任务评测长程任务评测
沙丘判断：几何验收和专家审计可约束设计幻觉，模型生成布局仍需满足实际制造条件。
将Agent声明变为预先固定政策、范围、记录责任与裁决规则的可审计主张，论证独立覆盖、逐参数授权及完整性要求。
Agent 动作执行与治理
沙丘判断：可审计性要求预先固定范围和责任，输出一份日志不足以证明覆盖与授权完整。
PsyCIDRA让访谈Agent维护笔记、技能与ICD检索，另一Agent综合支持冲突及缺失证据给专家审查，含独立人类研究。
Agent 协作
沙丘判断：访谈记录应保留冲突和缺失证据，模型综合判断仍需专家核验而非直接诊断。
DeOrch将无worker身份任务分解与协作选择解耦，用行为探针和在线bandit匹配未见worker池而不重训规划器。
Agent 协作
沙丘判断：规划器与执行者池分离可减少重训需求，行为探针需随实际工具能力更新。
BioStudyBench选择模型声明截止日期后的生物研究，限制文献工具时间并对照无数据工具基线，检验真实分析增益。
Agent任务评测长程任务评测
沙丘判断：数据工具增益应与无数据基线比较，时间限制可减少记忆答案冒充科学分析。
科学发现协议先让LLM提出假说、程序规划有限测量，再新上下文归纳规律，比较解释器、随机采集及覆盖。
Agent 规划
沙丘判断：测量规划和规律归纳分开可减少自我确认，有限预算下需加入随机采集对照。