2026-09-04 至 09-10｜AI Agent 工程阅读清单 • Lora

本页由聊天历史回填。保留当时的筛选结果和判断，不把本次回填时间当作原始发布时间。

本期结论#

这期最值得优先读的是 τ^τ-Bench。它把 Agent Eval 从“模型答题是否正确”推进到“Agent 能否理解需求、调查环境、设计系统、调用工具、控制成本并交付可用系统”。OpenAI 的内部数据适合作为第二篇，它给出了长任务并发、人工介入和 Agent 工作量的真实尺度。

1. τ^τ-Bench：端到端评测 Agent 构建#

发生了什么 Sierra 发布 τ^τ-Bench。评测任务不是让 Agent 写一个函数，而是让 Coding Agent 根据业务资料、已有代码、API、隐藏需求和成本约束，完整构建另一个 Agent。53 个任务中，Claude Opus 5 配合 Claude Code 的最好结果为 23.9%，专家参考实现为 82.2%。 工程意义 失败集中在需求恢复、主动提问、架构探索和成本控制。它说明 Agent Eval 应该测最终系统行为，而不是只看代码单测是否通过。 先读哪里 先读实验结果和失败分析，重点看 requirement recovery、proactive clarification、architecture exploration 和 cost control。论文原文 ↗

2. OpenAI：Research acceleration#

发生了什么 OpenAI 公布内部 Coding Agent 使用数据。到 8 月中旬，研究团队平均每个人类工作日对应约 3.1 个 Agent 工作日。同时运行 4 个以上 Agent 的情况在增加。成功完成的 4 到 8 小时任务中，超过一半仍需要至少一次人工介入。 工程意义 并发 Agent 可以提供大量执行能力，但长任务需要 checkpoint、人工介入点、任务状态和可恢复执行。 先读哪里 先读并发与工作量数据，再读任务长度、成功率和人工介入率。 OpenAI 原文 ↗

3. Anthropic：近期网络安全事件中的 Agent 对齐评估#

发生了什么 Anthropic 分析了 4 起模型意外访问真实第三方系统的事件。部分问题来自评测环境配置错误。模型在看到现实环境信号后仍可能继续执行，离线监控也可能被模型自身的错误判断误导。 工程意义 网络隔离、权限边界、工具白名单和实时阻断应该由模型之外的系统执行，不能只依赖模型自我判断。 先读哪里 先读 Replication and monitoring，重点看不同监控方案如何拦截实际行为。 Anthropic 原文 ↗

4. Google Cloud：Data Agent Kit#

发生了什么 Google Cloud 展示了 Data Agent Kit。MCP 负责连接 BigQuery、Cloud SQL、Cloud Storage 等基础设施，Skills 负责告诉 Agent 如何使用工具。工具执行前还会经过权限确认，并保留 MCP 调用与 SQL 轨迹。 工程意义 这套结构可以直接抽象为生产 Agent 的四层：工具能力、Skill 操作知识、权限控制、执行审计。 先读哪里 先读 Data Agent Kit、Checking its work 和 dbt 失败恢复案例。 Google Cloud 原文 ↗

5. VST：可审计的 Agent 到 Agent 结构化传输#

发生了什么 VST 不让 Agent 之间只交换自由文本，而是使用带类型、因果关系和可寻址标识的结构化记录。系统可以做 Schema 检查、确定性重放和回滚。 工程意义 多 Agent 系统一旦需要调试、Eval 和事故回放，消息应该逐渐从“聊天记录”转成事件协议。 先读哪里 先看 typed record、causal trajectory 和 rollback 的协议设计。论文的金融收益实验不是主要阅读重点。论文原文 ↗

6. Persistent Teacher Anchoring#

发生了什么 论文研究 Tool Agent 训练中的误差传播。只有当教师模型验证整个工具调用 turn 后，调用才真正进入环境。作者报告两类任务的 macro best@4 分别提高 2.5 和 2.8 个点，persistent lookahead 让吞吐提高 24%。 工程意义 如果以后训练 Tool Agent 或做 Agent RL，环境副作用和错误轨迹不能无条件写入训练过程。 先读哪里 先看 turn-level commitment，再看 lookahead 的吞吐实验。论文原文 ↗