Paper Study
A growing map of my Chinese AI and Agent paper notes. Each deep read starts with three questions.
Agent Systems & Harness
Map the whole agent system: model, runtime, environment, state, and the artifact it leaves behind.
Context & Memory
How information is written, retained, compacted, retrieved, and brought into working context at the right moment.
Agent Memory 的真正难点是何时提醒
Memory 不只要能被搜到，还要判断何时主动提醒；触发时机本身就是一项 Agent 能力。
Agent 压缩 Context 时，到底该保留什么
把 context compaction 放进 Agent RL，让模型同时学习完成任务和写出下一段轨迹真正需要的摘要。
Agent Memory 需要知识图谱吗
用 typed semantic memory 和信息论检索挑战“长期记忆一定需要重型知识图谱”的默认假设。
时间不能只是一列 timestamp
不同事实以不同速度过期；RoMem 让关系的 volatility 直接进入时序知识表示和排序。
Context 压缩以后，Agent 还要能把细节找回来
压缩中间推理还不够，Agent 还需要显式 memory actions，在需要时重新取回被压缩的细节。
Autoresearch 找到的最大提升，为什么常常不是调参
让 autoresearch 自主诊断 multimodal memory，结果最大的提升来自数据 bug、架构和 prompt，而不是调参。
Memory 的问题，可能早在写入时就埋下了
把 construction、retrieval 和 utilization 当成一个 memory cycle，并在写入完成前用 probe 找出缺口。
100M Tokens 是 Context Window，还是可训练的稀疏记忆库
把超长信息视为可训练的稀疏记忆，而不是让所有 token 始终参加 full attention。
Tools, Skills & Protocols
How agents turn intent into reliable action through tools, protocols, skills, and editable artifacts.
Eval, Observability & Failure
Go beyond success rates: locate the failed layer, measure partial progress, and test whether recovery is possible.
Agent 失败后怎么找到真正的根因
把 Agent failure 从一条失败结果还原成可观察、可归因、可恢复的事件图。
长时任务失败前，Agent 到底走了多远
用 dense reward 描述长时终端任务里的部分进展，避免把差一步和完全没开始都记成零分。
真实任务评测要把模型和 Harness 拆开看
在真实任务和多轮反馈里同时看模型与 Harness，并防止 Judge 把隐藏标准泄漏给被测 Agent。
Agent 真正的进步发生在第一轮之后
不只测第一次完成率，而是观察 Agent 在同一真实环境里多轮尝试后能否从反馈中变好。
Self-improvement & Agent RL
How experience from one run becomes future capability, and whether to update weights, harnesses, or knowledge.
模型怎么在真实 Harness 里学会做事
不把 Agent RL 关在简化模拟器里，而是让模型直接在部署时会使用的 Harness 和环境中训练。
Agent 可以是一次性的，知识才需要持续进化
把持续进化的对象从 Agent 本身改成可审计、可迁移的知识库，让 Agent 保持通用和可替换。
把 Agent 的复盘蒸馏回模型
把 Agent 对失败轨迹的反思蒸馏回 on-policy 训练，让一次运行里的策略经验进入模型参数。
Agent RL 为什么不该等一组长轨迹全部跑完
长轨迹耗时差异巨大时，用 single-rollout asynchronous optimization 避免整组等待，同时控制 off-policy 与训练不稳定。
Agent 的经验怎样真正变成下一次能力
用从 self-evolution 到 meta-evolution 的框架，区分经验存在哪、更新什么，以及收益能否迁移到未来任务。
Harness 会自己改以后，怎样避免越改越差
把 Harness 拆成可组合 primitive，再从执行 trace 中演化组件，并把轨迹继续变成模型训练信号。
Cost, Reliability & Governance
Treat agents as real products with budgets, isolation, long-horizon stability, permissions, and anti-gaming controls.
Agent Memory 要管理的是整个 Context 生命周期
把 Agent memory 视为 ingestion、storage、retrieval、assembly 与治理组成的完整 lifecycle，而不是一个向量库功能。
Agent 能改自己的评分器，但谁来判断它没有作弊
让同一个 Agent 同时改 task solution 与 Harness 组件，但也把 evaluator corruption 和 reward hacking 推到台前。
为什么会用工具的 Agent，经营公司还是会破产
会调用工具不等于能经营一个长时系统；现金流、库存和延迟反馈会持续放大很小的策略错误。