一项对照实验用 Codex CLI 0.157 和 gpt-5.6-luna 在 shopizer 上跑六个功能任务，planner-coder-reviewer 团队只通过 25.7% 的隐藏验收测试，单 agent 通过 56.8% 且花费更低。
能拿走的是对照实验设计本身，同一批任务下把单 agent 与 planner-coder-reviewer 团队按成本对齐比较，并给出把 TASK.md 放进仓库让每个 agent 自读的修法；代价是只测了一个模型、一个 Java 代码库和六个功能，结论外推有限。
Microsoft Research 联合 GitHub Next 发布研究原型 PDD Kit，把用户意图转成 Verus 形式规约，证明智能体写的代码对每个输入都满足规约，证明覆盖不到的部分退回测试。
能拿走的是把意图先写成 Verus 形式规约、再让 agent 写证明并用变异检查防弱规约的流程，可接到软件工厂的代码审查环节，代价是只支持 Rust 且证明本身仍要投入。
人大、复旦、上交联合团队在 arXiv 发布 ToolSpace，先从 20 万条真实执行轨迹中用确定性规则挖出工具间的数据、状态、重试三类依赖，聚成 804 个环境簇，再在图上随机游走生成任务并回放验收。
可借鉴的是先挖真实轨迹里的工具依赖再按需造环境，无状态环境直接缓存回放，省掉一半合成文件；前提是手里有真实执行轨迹，且冷门编排进不了图。
NVIDIA 研究者的预印本《You don't need long context》在 13 个长程与长输入基准上测试上下文压缩，Claude Opus 4.5 与 GPT 5.6 Sol 的准确率变化分别为 −3.7 至 +5.6 和 −3.3 至 +4.4 个百分点。
可拿走压缩摘要的写法（任务原文、当前状态与计划、相关产物、完成标准）和把长文档存成文件让 agent 用 grep 选择性读取的做法，落到软件工厂与本地模型部署两条线；代价是开源模型在 16K 极限下会崩，Qwen 3 Coder Next 从 53.0% 掉到 3.6%，且成本节省部分来自作者自建价格模型而非真实账单。
IBM Research 在 Hugging Face 博客介绍 Palette，用 IBM Design Language 的合成数据对 20B 开源权重模型做 LoRA 微调，让它按自有设计语言生成幻灯片。
可拿走设计者写 JSON brief、编码者按单页并行出 pptxgenjs 代码的两段式拆分，配几何检查器只保留有改进的重写；代价是要自建合成数据与渲染检查闭环，且小模型在叙事型 deck 上仍落后。
Google Research 开源 Harness²，让 agent 递归改写自己的执行外壳（prompt、技能、脚本、子代理等 8 个组件）并沉淀改进库，不训练也不换模型。
可抄走的是 harness 八组件成本模型和 INV/DOM 双提案对比流程，能落到软件工厂的 agent 编排上；代价是每任务 4k 次 rollout，且只补流程缺陷、不提升内容判断。
RAGFlow 团队（InfiniFlow）联合华东师范大学在 arXiv 发布论文《Context as Infrastructure》，提出在摄入期把语料加工成带类型工件的知识编译管线，查询时消费工件而非原始文本。
能拿走断言-证据对替换、零命中回退梯子和有限视野盈亏公式，落到知识沉淀与本地检索管线；代价是延迟约 3 倍、需另配决策门，且 91% 数字来自 N=200 单次运行。
Google 和香港大学的论文 VeriCUA 把计算机操作智能体的任务完成判定从一次模型调用打分，改成先勘察环境再定验收标准、从 GUI 和代码两条通道取证、按证据可信度仲裁的验证流程。
可搬走证据分级（物证/证词）与先勘察再定标准两条规则，用于 agent 轨迹筛选和 RL 奖励判定；代价是验证要多花推理预算，且依赖对机器状态的只读特权访问。
DeepSeek Harness 团队发布《Super-agent 设计探索》，提出 Router 层统一承接人类交互与任务分派、多个 Worker 在隔离会话中并发执行的双层架构，并给出事件驱动、Inline & Spill、链式召回、异步 ReAct Loop 和 Watchdog 等配套机制。
Router 与 Worker 双层拆分、Trigger 直通 Worker、Inline & Spill 加链式召回，可替换单会话串行派活；代价是 Router 扩展性、长程记忆和端侧提示词注入风险尚未解决。
上海交大、南洋理工和阿里巴巴团队提出 GUI-JEPA，用 JEPA 隐空间对候选控件打分替代逐 token 解码，在 AndroidControl 上以 0.5B 参数保留 Qwen2.5-VL-7B 微调模型 86-92% 的步级精度。
可借鉴候选打分替代逐 token 解码的做法，把截图编码一次、对 a11y 树候选批量打分，落到端侧智能体和手机自动化线；前提是能拿到无障碍树，且只验证了步级准确率、没有在线任务完成率。
作者用一支 AI 编码智能体团队在 38 天里围绕真实产品待办跑了 324 个两小时冲刺，其中专职 scrum 团队 agent 执行的 90 个冲刺里 79% 的承诺故事在冲刺内完成，仪式耗时不到 5 分钟。
能拿走一套可照抄的 Agent Scrum 最小配置，产品负责人 agent 管规划、独立 scrum master agent 跑两小时冲刺、外部定时器触发收尾；代价是回顾项 159 条只关了 40 条，合并环节和写代码一样耗时。
MemTrace 把 LLM 记忆流水线转成可执行的记忆演化图，用图归因 Agent 定位最早决定性故障操作，再据此自动改写提示词，在 Mem0 加 LoCoMo 上三轮优化后任务性能提升 7.62%。
能拿走一套可复用的记忆系统排错链路，插桩录制执行图、沿图定位最早故障操作、再把归因结果转成 prompt 改写；落到知识沉淀和本地部署调优上，代价是归因准确率约一半、每轮要重跑完整流水线。
Pallavi Singla 在 30 条 agent 式查询上横向评测 You.com、Tavily、Exa、Parallel 四家搜索 API，覆盖 GTM、保险、金融三类场景，每条查询重复 3 次共 90 次调用。
能拿走一套可复跑的搜索 API 评测框架，含 30 条 agent 式查询、答案键、promptfoo 配置和 MCP 接入方式，可用来给自家 agent 选搜索后端；代价是要自备四家 API key，且只跑了一天数据、每类 10 条，差一两条属噪声。
Virginia Tech 团队分析 3211 条多轮多智能体辩论失败轨迹，发现 94.9% 的失败包含恢复或纠正失败，正确答案中途出现过却未被采纳。研究基于 7 个开源模型在 8 个数据集上的 7300 个辩论任务，构建了含 6 个父类、24 个子标签的通信失败分类法，人工盲标注映射率 93.4%。
可借鉴逐轮分歧度加答案振荡的轻量监控思路，不读文本只靠答案动态预测失败，能插进现有辩论编排做预警；前提是实验以3B到14B中小模型为主，比例不宜外推到强模型。
清华大学与香港中文大学研究者开源 AKV，一个基于 SGLang 的 KV cache 工程服务系统，让智能体直接丢弃选定的 KV 条目并复用其余部分，而不改写历史文本。
能拿走的是 drop/repos 两种 KV 操作加 OpenAI 兼容的无状态接口，把工具调用历史直接丢缓存而不重写文本，落到本地模型部署和 Agent 长任务线上；代价是只支持 Qwen、GPT-OSS、MiniMax-M2 文本模型，且需 SGLang 与 NVIDIA GPU。
GVS5H 提出免训练的 ledger-based zero-shot 自编排方法，让同一模型的新实例通过共享文件系统交换计划、笔记和当前解法来拆解问题。
能拿走的是多智能体共享文件系统做计划与解法的编排脚本和跑分命令，可接到软件工厂的编码评测线上；代价是要 uv、各家 API key 和 128k token 预算，且部分模型反而变差。
Databricks 用 Opus 4.8 在 22 个数据工程任务、每任务 12 份脏数据上对比过程式 PySpark 与 Spark Declarative Pipelines，共 528 次构建，声明式在 dry run 阶段拦下 55 个结构性错误，集群耗时从 596 executor-seconds 降到 17，约 34 倍。
同一 agent 跑 22 个任务各 12 份脏数据，对比过程式 PySpark 与声明式 SDP 的 dry run 拦截率、代码行数和 token 成本，可用来定数据管线的写法规范；代价是声明式前期 token 约 2.3 倍，且拦不住逻辑错误。
一项新研究提出 BackUpper，在编码 Agent 执行破坏性操作前自动备份关键状态，在 205 个任务的 RegretBench 上实现 100% 备份覆盖，恢复数据与原状态平均相似度 92.2%。
BackUpper 用四级保护加小模型判定，在 harness 层给 Agent 动作前做影子备份，可接到编码 Agent 产线；代价是每任务约 $0.014 额外开销，且需按 harness 适配。
Squidbrake 0.14.2 把 12 起公开报道的 AI 智能体删数据、泄密、乱花钱事故回放到自家规则上，15 个有害动作拦下 14 个，其中 3 个直接阻断、11 个转人工审批、1 个未拦住。
可复用的做法是把 12 起公开事故和 62 段会话做成可跑脚本，逐步标注 harm/routine/sensitive 再对比四种拦截策略；代价是回放命令多为作者重建，且审批人由脚本扮演，误报率才是真实成本。
UIUC 与 AWS AI Labs 等提出 Maestro（arXiv 2610.25920），把 Lean 证明 agent 的失败处理从继续拆解改为全局调度，由协调者根据证明者提交的失败诊断决定重试、补引理、改伪命题还是撤销换路线。
可借鉴的是失败结构化上报、协调者拥有删除权、事件队列替代轮次超时这三条编排做法，能换掉单 agent 串行拆解流程，代价是多 worker 并行加在线协调的成本，论文把核算放在附录 A。