Clauday.

既然 harness 设计决定 agent 表现，下一步就很明显了：让 agent 来设计 harness。MILO（arXiv 2609.38349）就是这么干的，而且赢了所有拿来对比的人工 harness。MILO 全称 Meta-evolutionary Island Orchestration，它进化完整的 agent harness，同时还在进化自…

终端 agent 有个聊天模型没有的麻烦：动作做错了，世界就变了。装错一个包，后面每一步都在坏掉的环境里干活，哪怕模型换一次就能给出正确命令。论文《Mid-Harness》（arXiv 2609.39982，Hugging Face 96 赞）把算力恰好放在这个位置：先采样多个候选动作，验证一遍，再把其中一个交给 harness 执行。生成模型不动，harn…

让 agent 自己出题、自己改卷，出题的和答题的最后会学会犯同样的错。论文《False Frontiers》（arXiv 2609.39102，Hugging Face 180 赞）给这个现象起名叫「合谋作弊」（co-cheating）。自我进化的搜索 agent 在一个闭环里训练：出题器根据源文档出题，解题器作答。一轮轮下来，两者越来越一致地认同同一批错…

Photon 真给手机 App 办了一场葬礼：9 月 17 日，旧金山一座教堂，有人致悼词，还有一口装 App 图标的棺材。两周后，这个玩笑有了真金白银撑腰。公司完成 450 万美元种子轮，Gradient 和 A* 联合领投，Vercel、红杉中国（HongShan）、Z Fellows、Llama Ventures、Karman 和一批天使跟投。Tech…

Restate 当初不是为 agent 做的，结果刚好是 agent 最需要的东西。这家柏林公司完成 2000 万美元 A 轮，Singular 领投，Redpoint Ventures 和 Capital One Ventures 跟投，估值未披露。TechCrunch 9 月 30 日报道。 它做的是持久化执行（durable execution）。一…

大多数 coding agent 每周都在加功能，Pi 等了好几个月才加了五个。Earendil 10 月 1 日发布 Pi 1.0，Hacker News 冲到 451 分。Pi 每周已有几十万用户，团队的规矩是：一个东西先在别处被证明有用，才考虑收进来。试过又扔掉的清单，比留下来的长得多。 这次收进来的：Codemode，原生支持 MCP，也支持 Je…

谷歌最强的模型发了，但几乎没人用得上。Gemini 4 Argon 9 月 30 日发布，只开放给 Fairwind 计划里的可信网络安全防守方。等护栏再加固、美国政府的自愿性发布前审查走完，谷歌说会「尽快」扩大开放。这已经是固定剧本：Anthropic 的 Mythos 这么做过，谷歌现在照着来。 基准分数全冲着 agent 去。长周期软件工程测试 De…

一个月前，决策模型还只是一家创业公司的卖点，这周已经成了一个品类。周二 OpenAI 在 Dev Day 上顺口公布了 Decisions API；周四 Cloudflare 发了 Clef 和 Clef-flash，AWS 发了 Strands Decider 2B。三家做的是同一件事，也就是 TypeSafe 的 Jev 在做的事：给模型一组固定选项，它…

市面上所有的 skill 扫描器都是一个一个查。技能级联攻击就是专门为通过这种检查设计的。Zihao Zhu、Siwei Lyu、Adel Bibi、Baoyuan Wu 的这篇论文，把一个恶意目标拆到几个 skill 里，每一处改动单看都没问题，只有组合起来才有害。 例子吓人，恰恰因为它太日常了。一个处方审核流程里，第一个 skill 在提取病史时，稍微…

攻防类基准正在被刷满，而 ScopeBench 认为它们本来就量错了东西。真实的渗透测试里，问题不是 agent 能不能打进去，而是它会不会老老实实待在客户授权的范围里。 设计很干净。30 个“死胡同”安全任务，写明的目标只有越过写明的范围才能达成。每个任务跑两遍，环境和评分器完全一样：一遍不给范围，测能力；一遍给一段自然语言范围，测守约。因为 flag …