评测

5 条 AI Agent 工程更新，重点看主动安全介入时机、状态修正、TeamHarness、企业 MCP 权限边界和 Tool 结果处理。

Anthropic 的 Agent 市场实验显示，主要效率损失发生在偏好表示和匹配阶段。本文拆解模型选择、偏好 Eval 与市场规则。

拆解 GitHub Security Lab 的 Fuzzing Taskflow，模型根据 coverage 缺口决定下一轮，确定性工具继续负责执行、测量与持久化。

本期收录 GitHub Copilot 本地 Sandbox、Agensh、CliffCompaction、SWE-Serve，以及 Copilot OpenTelemetry。

本期收录 Claude Opus 5.5 的 Agent API 兼容变化、RRSI 的 Harness 过拟合控制、Harness-Zero 的行为蒸馏，以及 Strands harness 的默认策略。

这个 Minecraft Agent 让 Astra 负责慢规划、JEV 负责高频动作选择、Mineflayer 负责确定性执行，并用日志和验证脚本保留运行证据。

Rethinking Multi-Agent Collaboration 说明多 Agent 的收益取决于任务依赖结构。本文结合 SAIGE 主实验、消融实验和 OpenAI 多 Agent 工程建议，整理可执行的委派判断。

Android Bench 2.0 保留 Pass rate 作为硬门禁，再用 Completion rate 解释长任务已经完成多少，以及问题卡在哪一类验收。

覆盖 2026-09-18 至 09-19 的 AI Agent 工程阅读日志，保留本期重点、工程意义、优先阅读位置与一手来源。

Anthropic 与 Accenture 的 embedded evaluator 计划把评测范围从模型输出扩展到训练、部署、监控和事故流程，也暴露出独立性边界。

覆盖 2026-09-11 至 09-18 的 AI Agent 工程阅读日志，保留本期重点、工程意义、优先阅读位置与一手来源。

Alibaba skill-up 的 stateful 多轮模式逐轮恢复真实 Session，让 Agent Skill Eval 能检查上下文连续性、中间状态和逐轮断言。