📄 論文筆記

差分分析框架在 SkillsBench + SWE-Skills-Bench 確認 307 個技能誘發失敗（125 功能 + 182 效率迴歸）。看似相關的技能最致命：Task-Implementation Fault 佔 68.8%，Excessive Procedure 佔 62.6%（過度驗證 67 + 重型建構管線 30）。SkillTriage 以 88.8% 準確率自動歸因根因

Five models, four tasks, 111 scored runs measuring LLM harness optimization. Model choice 1.8x more impactful than harness choice; native harnesses show no consistent advantage (11-9). claude-opus-5 captures 63% OfficeQA headroom. Broader search correlates with gain; trace reading does not

MIST 基準揭露所有主流模型的普遍脆弱性：GPT-5.5 SC2W=10.5、Claude Opus 4.8 SC2W=12.0。SCOPE 用信號反事實 DPO 將 Qwen3-4B SC2W 從 35.0 砍到 16.3（-53%），零樣本遷移三基準最優

將工具間依賴建模為 Tool-Schema 超圖，兩階段規劃+缺損導向擴張在 AppWorld 上 GPT-4o 達 Test-N TGC 67.1/SGC 55.9，同時降低 API 呼叫與 token 消耗。結構化工具關係可部分取代軌跡訓練

Five-domain 500-task continual skill learning benchmark. ICL (0.605) vs Skill (0.602) nearly identical. Gains come from context adaptation, not reusable skill abstraction. Weaker models accumulate more fragmented skills (GPT-4o 384 vs Codex 205) with lower quality and less reuse

自對弈決定練什麼但學完就忘，技能記憶記住經驗但從固定題庫學。SESA 關閉雙向迴路：失敗→技能→解題強化→新難度→新失敗。四階段訓練（記憶預備/非對稱自對弈/邊界塑形/失敗蒸餾），雙重路徑評估（參數內化 +1.8-2.2 點 + 推理檢索 +0.5-1.0 點），七基準六 backbone 驗證

8企業場景/240任務/9故障情境/38,880實測：schema正規化解schema drift(0->0.913)，但stale evidence/missing tools/denied permissions/session mismatch全部無解。Groundedness-only會產生假陽性。核心原則：可靠性干預必須分層評測

借鏡人腦 CLS 理論：路由 token 自主判別情節緩衝(RAG) vs 參數固化(KV Memory)。三骨幹平均 +4.0 EM，SuperGLUE 混合流 85.95%，路由準確率 100 任務仍 85%+

現有記憶系統全部 append-only：6 baseline 衝突檢測率僅 2-14%。MOSAIC 用 entity-typed graph + 儲存時衝突檢測達 66%（4.7×）。LoCoMo 89.35%（+27.21pp），0.58s 檢索延遲

記憶是合約不是倉庫。五層型別檢索（L1-L5）取代原始抄本 append，context 有界可消融。L5 技能層 3/10->6/10（方向性）。釋出 298 軌跡可重現測試床。

5,832 次配對實驗：553 增益 vs 324 迴歸（59% 抵銷）。三種迴歸機制：描述滲透、接地置換、驗證置換。最好技能庫的差異在迴歸數而非增益數。方法不是瓶頸——接地與驗證才是。

三層記憶架構（L1 軌跡->L2 策略->L3 環境認知），技能結晶三道閘門，反思加權價值回填。EvoAgentBench 五領域最佳，SE +15.39pp，跨域遷移 +3.93pp，終身進化 +17pp。

KV cache/Prompt/架構/Agent 四個社群共享同一 rate-distortion 公式。七軸分類法統一 ~70 方法，揭示兩個跨層失敗模式。

記憶操作建模為 MDP，tabular contextual bandit + UCB 線上學習，0 額外 LLM call。跨 6 benchmark +3 framework +3 LLM，成功率最高 +15.2 pts，token 節省 5-20%。

首創 tensor 粒度 hybrid CPU-GPU offloading，靜態 knapsack DP 放置 + 負載感知動態傳輸 + 非同步管線，decode 吞吐量最高 3.29x，GPU 利用率 +70%。

Lean 4 kernel 作為唯一 Verified 鑄幣廠，mkVerified 規則保證所有輸出可追溯至工具調用。120/120 TableBench + 100% source-faithful，兩條安全定理。

FARMA forges agent reasoning traces (not facts), achieves 100% ASR defeating keyword filter and A-MemGuard. SENTINEL 5-layer Reasoning Guard drops ASR to 0% with zero false positives on 326 benign traces.

behavioral state decay: info still in context but no longer influences decisions. Independent memory agent + 3-tier bank + two-phase intervention. Sonnet 4.5 +8.3pp. Selective silence beats always-on injection.

非參數自演化：不修改模型權重，只迭代優化工具集。Constructor-Merger-Evaluator-Reviewer 四階段生命週期，GPT-4o ACEBench +3.4%、Multi-Turn +7.2%。

Mandol 用 SemanticMap + SemanticGraph 原生融合 KV/向量/圖結構，檢索完全不經 LLM，LoCoMo 與 LongMemEval 雙 SOTA，5.4 倍檢索加速、4.8 倍寫入加速。

記憶管理不是被動存儲，而是可獨立訓練的認知技能（metamemory）。雙迴圈自動化優化讓 32B 開源模型 2-4 倍提升後媲美 Claude Opus 4.5。

個人化不是存更多對話——MRMS 提出雙軸記憶基板（表徵軸+時間軸）+ 三軸同步管線（資格→召回→裁決→暴露），從架構設計原則重新定義 agent 記憶。

七套記憶系統全軍覆沒：檢索越強，諂媚越嚴重。DeepSeek 準確率 -18%、諂媚率 +24%，記憶系統缺乏「不信任自己記憶」的能力。

HarnessX 提出 Agent harness 組裝代數與 AEGIS 自演化引擎，從 execution trace 自動改善 prompt、工具、記憶配置，平均 +14.5%、最高 +44%。

代理記憶瓶頸不是「能不能查到」而是「該不該記住」——EVAF 用驚喜-效價雙閘門 LoRA 固化，目標持久性 0.812-0.904，每 200 事件僅 2-3 次寫入。

不建全域知識圖譜，查詢時用 SQL JOIN 動態串聯事件；Hermes 選 SQLite 是對的，但現在不急著改。

三大廠同步推出自家 Agent SDK，舊框架被迫轉入防禦。從生產可靠性、可觀測性、成本控制、確定性組件四個維度實戰評測。

QAT 品質完勝傳統 PTQ，行動端專用量化格式把 Gemma 4 E2B 文字版壓到 <1GB，手機原生執行 LLM 成真。

Storage → Reflection → Experience 三階段演化框架，只有體驗階段代理才真正從過去「學習」。

記憶不是瓶頸，算力才是。讓模型在清空 KV cache 前多跑幾圈，把上下文真正「消化」。

把 LangGraph/CrewAI 等 agent 框架的外部編排邏輯直接微調進小模型 weights，保險理賠 55 節點實測接近 frontier 品質，成本降 100 倍。

von Mises-Fisher 新穎性偵測 + 自適應閘門，即插即用 A-Mem 省 16-18% LLM 呼叫品質不降。

記憶不該是靜態倉庫——三階段異質圖演化讓 LoCoMo 達 95.06（vs 81.23），三基準全 SOTA。

港中深+華為提出 H-Mem：短期記憶逐步演化為長期摘要，保留實體關係圖，在代理記憶 QA 任務達 SOTA。

Microsoft 提出可攜記憶協議，讓不同 LLM 代理之間能安全遷移操作上下文，解決供應商鎖定。

記憶不該只是靜態存儲，應被視為資料管理工作負載：需要學習、上下文減少與決策稽核。