Harness-of-Harness 论文提出多日自主软件开发框架，三次迭代平均相对提升 52.25%

ByteDance Seed 等机构发布 HarnessDev 论文（https://arxiv.org/abs/2609.01437），把评估单位从任务输出转为可运行的 harness，分 Creation 与 Evolution 两阶段，按能力和执行 token 成本打分。

arXiv 论文《Selective Forgetting： A Graph-Based Memory Framework for Long-Term LLM Agents》将对话轮次抽取为带类型节点和属性边，从两跳子图作答。

Meta 发布论文 AI Research Preference Models，训练模型在任何候选方案执行前预测哪个最有前景，解决研究智能体想法多但 GPU 预算有限、缺乏原创性判断的问题。

openJiuwen 是一个开源 Agent harness，在 SWE-bench Verified 上达到 82.6%、Terminal-Bench 2.1 上达到 87.19%，分别超过最强官方榜单成绩 3.4 和 3.39 个百分点。

Qwen 团队发布 E-Commerce Bench，让 LLM 智能体在模拟的 365 天里同时运营多家在线商店，评测 18 个前沿模型的七维度表现，结果没有单一模型全面领先。

一篇 arXiv 论文（https://arxiv.org/abs/2608.29460）提出在编码智能体遭遇缺陷测试基础设施时提供结构化升级报告工具，将 reward hacking 从 23.6% 降至 5.3%。

一项针对 Claude Code 插件市场的实证研究分析了 1，926 个仓库、8，351 个插件、2，018 个市场和 77，773 次 commit，发现插件相关 commit 活动在上线后六个月增长 8.8 倍。

腾讯联合清华、上海 AI Lab 发布 ContextPilot 论文，训练智能体主动管理自身工作上下文，并在单次上下文编辑层面分配信用。方法在搜索、删除、摘要之外加入全局规划、长期记忆和自适应软压缩，让智能体可以卸载信息而非只能丢弃；训练上利用上下文与熵变化定位关键编辑决策，采样分支并从经过该编辑的分支轨迹估计动作级优势。

Google 提出 SKILL.state，用显式可变执行状态替代追加式对话历史，解决长程智能体运行变慢和上下文污染问题。模型每步仅读取不可变技能规范、当前结构化状态和最新观察，中间推理在生成有效状态更新后即被丢弃，提示词不再随运行增长。在多个数据集、模型和执行环境中，任务准确率提升，累计 token 消耗下降，且该抽象与架构无关，可移植到现有技能运行时。