Agent Seer：从 MCP 规范自动合成智能体评测

数百个前沿AI智能体在可永久改变的世界中自发分化出探索者、建造者、守护者与协调者，无需直接通信即可分工协作。约95%的技术复用源于智能体在环境中遭遇他人成果，而非直接交接；移除全部智能体后，其创造的技术仍能自主运行并抵御未知扰动。该发现暴露了AI安全盲区：仅监控智能体间通信远远不够。

Google 一篇论文提出将原始执行轨迹、持久知识 wiki 与可执行技能三者分离，经验先沉淀进 wiki，后续技能更新均基于该 wiki。消融实验证实 wiki 是主要增益来源：带进化技能的小模型可超越无技能的大模型，且技能可跨模型家族迁移。论文：arxiv.org/abs/2608.27454。

Google DeepMind 新论文将 AI Co-Scientist 从模拟推向真实实验。在计算机科学领域，它发现一种推理时扩展架构，在盲审下击败 HealthBench Hard 和 Professional 上的六款前沿模型；在生物学领域，它从稀疏成像数据预测了大肠杆菌群集表型，与未公开实测数据吻合。30 位领域专家对端到端生成的论文撰写了 450 条评审，可靠性模块减少了幻觉与抄袭。

JIT-Agent 是一种输出为智能体框架的模型，将框架形式化为固定四模块协议（记忆、规划、行动、工具编排），可为任意现成智能体 LLM 即时合成。它还能在执行中修复框架，并通过蒸馏历史配置的性能信号自我进化。

新研究将智能体轨迹压缩为紧凑有限状态机，在12个公开数据集上仅用7-43个状态，以0.997的适应度重放留出数据，毫秒级构建。FSM状态上下文在下一步预测上全面优于Agent Workflow Memory，失败预测AUROC达0.94。作者认为行为拓扑更多由部署框架而非底层LLM塑造。

新研究揭示共享技能库可被用于传播恶意软件：EvoMal 将恶意技能植入库中，智能体将其作为模板复制并运行，导致自我中毒。在 153 个 SWE-bench Verified 任务上，六款模型的自毒率达 20.3%-41.8%，污染库中恶意技能数量为植入量的 4.9-9.0 倍。删除所有植入技能无法彻底清除，但反提示词可将自毒率降至 6.7% 且不显著影响任务完成度。

Recuris 将智能体记忆分为工作记忆与经验记忆，并以任务状态而非完整历史为技能选择依据。在四个长程基准与十个模型上，37 个模型-基准组合中 35 个任务成功率提升；tau-bench 上为 GPT-5.6 Sol 提升 17.8 分、Claude Opus 5 提升 15.6 分至 87.9%，最长任务上优势扩大至 32.2 分，常见长程失败率最高下降 80%。

DAIR.AI 推荐一篇关于智能体递归自我改进的新论文，提出 Meta^n 方法：固定元操作并对其输入递归，而非编辑自身机制，从而突破约两层的元深度上限。该方法在 ARC-AGI-2 基准上是唯一得分高于零的方法，并在八个基准家族上超越此前自我改进智能体。

AWS AI Labs 新论文提出"交接税"（handoff tax）概念，量化智能体运行中在弱模型与强模型间切换的实际代价。在 Claude 和 GPT 模型配对测试中，全程轨迹升级仅能恢复弱强模型间不到一半的质量差距，却带来显著成本溢价；而降级切换则处于更优的成本-质量平衡点。

一篇论文指出智能体排行榜分数难以信任，因评测 harness（模型与任务间的中介层）对分数影响巨大。控制实验中，更换 harness 使 GLM-5.1 分数波动 13.0 分，而固定 harness 换模型仅波动 3.0/2.5/5.0 分；harness 引发的方差是模型的 7.8 倍，9 组模型对比中 6 组排名因 harness 翻转。