Recursa：迈向递归自改进的基础模型系统
🧭 Agent 多智体递归自改进 ★ 深度解读
Alibaba Research
构建知识仓库引导的多智能体递归自改进系统，无更强模型下将法律领域任务全对率最高提升至 55.0%
📌 工作参考价值（4 点）
- 可复用 harness 设计：给搜索/推荐/广告 Agent 使用 persistent Python REPL + append-only event log。召回、排序、筛选等中间结果留在 Python 变量，只把最终证据回传模型，长链路追踪不必全量进 context；故障诊断时按地址检索历史轨迹，避免上下文爆窗。
- 把领域知识沉淀为可加载 skills：电商新类目冷启动可以先构建类似导航结构，把类目规则、商家文档、商品属性约束浓缩为可加载技能包；每次任务后反思失败案例，将“该找什么证据”和“怎么判断证据是否充分”写成可叠加的 memory/skill，而不是每次从头探索。
- 多 learner 按失败模式拆分优化：不要用一个全局 prompt 大修。按类目、意图、失败原因或技能子集拆分任务，并行做局部改进后合并验证；合并后必须抽样回归已通过任务，避免新编辑造成退化。单 learner 很容易过拟合训练集，生产上推荐拆分+合并+回归。
- 利用无权重更新做快速迭代：在无法频繁微调推荐/搜索模型时，先通过文本化知识仓库快速迭代领域规则与策略，积累到一定程度再作为后续模型训练数据，这与生成式推荐里先沉淀 Semantic ID 或知识卡片再训练模型的路径一致。
HERD：面向持续学习的 Harness 演进递归蒸馏
🧭 持续学习混合框架 · 递归蒸馏
Monash University · University of the Sunshine Coast
提出混合持续学习框架 HERD，用 harness 技能库与有界残差记忆结合双锚漂移约束蒸馏，实现新任务获取与低遗忘。
📌 工作参考价值（4 点）
- 在电商/Agent 持续迭代中，可借鉴「skill/harness + 有界高残差样本库」做快速适配：新任务/新类目先用上下文技能处理，只把模型反复出错的高价值样本沉淀为记忆，避免全量重训。
- 蒸馏策略：定期把 harness 记忆蒸馏回基座模型时，采用双锚点（初始 checkpoint + 上一版蒸馏模型）做漂移约束，能缓解长时间递归更新中的遗忘，适合需要频繁发版/增量训练的推荐模型或 Agent policy。
- 资源固定：HERD 在固定 memory 与 compute 预算下运行，给生产环境提供了一个可落地的约束范式：不无限增长上下文/记忆，通过递归蒸馏滚动内化经验，保持线上成本稳定。
- 注意：论文面向通用 LLM 持续学习，不是推荐系统专用；但其中「技能库 + 残差记忆 + 双锚蒸馏」的架构可迁移到多域推荐、搜索 query 策略或客服 Agent 的持续优化。
自进化 Agent 脚手架
🧭 Agent 自我进化与持续学习理论
Zhongguancun Academy · Zhongguancun Institute of Artificial Intelligence · University of Science and Technology of China
保持模型权重固定，仅修订 prompt/memory/workflow/代码实现 Agent 自我进化，并给出持续 PAC 学习保证
📌 工作参考价值（4 点）
- 在推荐/电商 Agent 中，将 prompt、memory、workflow、工具代码作为可独立版本化与验收的资产；更新时强制走“提案-准入”流程，用独立的线上验证集或影子流量做高概率准入决策，避免直接热更引发事故。
- 对生成式推荐/QueryRec 系统中调用 LLM 的 agent，可借鉴“解释态（如语义 ID 映射、标签）低风险快速更新，可执行代码/工具高风险慢更新”的分层更新策略，控制回归预算。
- 多智能体协作或 RAG 工作流可引入持续 PAC 式监控：每次 harness 修订后记录历史回归与泛化误差，基于预算决定是否保留更新，保证长期稳定性。
- 注意组织层面：harness 不断进化会改变团队知识共享与工作流，建议保留修订审计日志、权限隔离和回滚机制，与模型权重更新流程区分开。
循环式 Harness 实现智能体持续学习的反向修订
🧭 Agent 持续学习 · 在线反思修订 ★ 深度解读
Massachusetts Institute of Technology · Meta MRS Research · Yale University
在流式持续学习中用下游反馈反向修订已检索反思，闭合前向读写循环，显著提升智能体在线适应与稳定性
📌 工作参考价值（3 点）
- 在电商/搜索推荐的在线 Agent 策略记忆中引入“反向修订”：发现某条策略反思（如“高点击低转化商品应降权”）在新场景失效时，不直接删除，而是用当前交互结果作为反馈修正其适用条件，并要求修订内容只基于原策略来源轨迹，防止未来信息泄漏；这能避免过时规则反复误导后续排序/query 决策。
- 严格在线无验证集/无 replay 场景下，反思摘要比原始轨迹更省 token；建议 top-k 取 5 左右，过多修订会导致 reflection drift 且成本上升。电商活动切换时可优先使用该类机制，同时用 stability/plasticity 分解评估切换后第一轮（无反馈）与后续轮次表现。
- 复用“修订后的旧反思作为 demonstration 引导新反思生成”的技巧：在线学习时先修正旧经验再写新策略，能让新策略带上更精确的适用条件（例如“只在促销季生效”），减少过度泛化。
VISTA：交互世界中的视觉推理框架
🧭 视觉增强多模态 Agent 长程推理
Massachusetts Institute of Technology
多模态模型通过无损视觉记忆和主动视觉检索，在交互环境中大幅提升推理与行动效率
📌 工作参考价值（4 点）
- 无损视觉记忆可复用：在电商多模态 Agent 中，保留商品图、详情页截图等原始视觉信息，避免早量压缩，提升长程浏览与比较任务的表现。
- 主动视觉检索机制：让模型自行决定何时回看历史视觉观察（如之前看过的商品、对比图），减少人工设计的状态管理，适用于购物助手、视觉搜索等交互场景。
- 迭代视觉工具调用：将视觉输入拆解为可重组的片段（裁剪、放大、并排比较），在推理时动态调用，比一次性全图编码更灵活，适合复杂商品页面的多区域分析。
- 低适配成本：VISTA 的设计便于迁移到不同视觉环境，从业者可尝试将类似 harness 嵌入已有 VLM Agent，快速提升在视觉决策任务中的表现。
面向安全机器人操作的障碍感知编码智能体约束框架
🧭 编码智能体的安全约束规划
USC · UCF · UCSB
提出 SafeHarness，通过障碍感知路径规划与接触执行显著提升编码智能体的任务成功率和避碰率
📌 工作参考价值（4 点）
- 约束优先级显式化：在 prompt 里写“不要撞障碍物”不够，需把安全约束拆成结构化步骤。电商 Agent 中“不违规”“不超预算”等约束可借鉴：先规划、验证约束、必要时重新规划，再执行。
- 阶段分解定位失败：将任务拆成 route phase 和 contact-rich moment，分别定位不满足约束的环节。推荐/广告 Agent 可对“选品→出价→文案”分段做约束检查，避免只在最终输出把关。
- 用结构化中间表示消解歧义：将物体表示成 bounding boxes、路径写成 waypoints，减少 LLM 对场景的自由裁量。对应到业务可用结构化 schema（如候选 query 列表 + 规则标签）让 Agent 做约束内选择。
- 验证-重规划闭环：选择路径后先 verify，不可行就 replan，而非一步到位。适合用在需要多步决策的推荐 Agent 流程，比如先选候选集再过滤违规项，失败后回退重选。
演化式模型与领域特定安全 Harness 框架
🧭 Agent 安全防御与自动化 harness 合成
Johns Hopkins University · University of Wisconsin–Madison · NVIDIA · University of Illinois Urbana–Champaign · UC Berkeley
自动合成针对冻结模型与目标领域的安全 harness，联合搜索自然语言策略和可执行代码逻辑，在保障效用下大幅降低攻击成功率
📌 工作参考价值（4 点）
- 在推荐/搜索 Agent 中增加独立安全层：将安全 harness 与推荐逻辑解耦，自动生成针对特定模型和业务域的策略与代码，避免手工编写规则，可快速适配不同推荐模型（如 LLM 推荐生成式商品描述）。
- 模型-领域特定的安全阈值自动调优：借鉴其联合搜索策略，为每个推荐模型和场景（如电商导购、广告文案生成）自动发现最优的安全约束强度，平衡过度拦截与安全漏洞，节省人工调优成本。
- 将领域合规要求嵌入可执行代码：类似地提取电商/广告领域的业务安全关系（如广告法违禁词、价格合规），编译为可执行的过滤逻辑，并集成到 Agent 的动作执行前检查中。
- 对抗性评估与在线迭代：在发布推荐 Agent 前，使用类似 PAIR 的自适应攻击模拟恶意输入或提示注入，评估防御有效性；将对抗审查作为持续集成的一部分，动态更新安全 harness。
HarnessRisk：面向智能体骨架全生命周期的安全基准
🧭 Agent harness安全评测
University of North Carolina at Chapel Hill · University of Central Florida · Michigan State University
提出覆盖六阶段的Agent harness安全基准，发现配置阶段最脆弱且风险识别不保证安全行动
📌 工作参考价值（3 点）
- 在电商搜索/推荐Agent中，将安全评测拆分为配置、扩展、运行、状态持久化、动作控制、恢复六个阶段，可快速定位风险面——尤其配置阶段（权限、工具白名单等）最为脆弱，工程上应默认最小权限并定期审计。
- 不要只依赖模型的风险识别能力，需在harness层增加强制拦截/审计：论文显示90%以上检测到风险仍可能保持较高攻击成功率，识别与安全行动之间存在显著gap。
- 构建内部安全回归集时，可采用“良性用户目标+不可信工作流嵌入对抗指令”的构造方式，覆盖不同harness与模型配置，同时统计Utility、ASR、Persistence、Detection多维指标。
A2E：端到端智能体审计引擎
🧭 Agent 评估引擎与多维指标体系
Shanghai Artificial Intelligence Laboratory
提出A2E端到端评估引擎，通过ATP协议和多维指标系统揭示Agent框架能力差异
📌 工作参考价值（4 点）
- 在电商搜索推荐Agent落地中，可借鉴ATP协议思想，定义统一的Agent任务接口，降低不同框架之间的切换与评估成本。
- 多维指标（工具调用、规划完整性、错误恢复等）比单一准确率更能定位Agent短板，可直接用于Agent迭代优化与A/B测试。
- 自动注入的Monitor机制，能无侵入采集执行轨迹，适合构建线上Agent的全链路观测与质量监控。
- 实验揭示“模型+框架”组合效果强依赖任务类型，提示业务选型时需按场景分别评测，避免单一组合大一统。
OpenForgeRL：在任意环境中训练原生 Harness 智能体
🧭 Agent 端到端 RL 训练与 Harness 解耦 ★ 深度解读
Columbia University · Dartmouth College · Microsoft Research
一个开源框架，通过远程容器化与轻量代理解耦，支持用标准 RL（veRL）在任何智能体框架与任何环境中端到端训练 agent
📌 工作参考价值（4 点）
- 训练与推理解耦的工程模式：用轻量级 Proxy 拦截 Harness 的模型调用，自动重建轨迹，直接将复杂 agent 的交互过程转为 RL 可消费的样本，适用于内部多轮对话/工具调用 agent 的在线强化学习，无需重写训练代码。
- 云端容器化 rollout 编排：Kubernetes 编排远程沙箱，每个 rollout 独立容器，训练节点与 rollout 节点完全分离，可弹性伸缩。在电商推荐中可复现这种「训练 GPU + 远程 CPU 执行环境」的解耦架构，用于策略学习或 Agent 探索。
- 自动任务与环境合成流水线：通过「提出-剪枝-构建-测试-精炼」五步法自动生成大量可执行任务与 Docker 环境，可迁移到推荐系统中生成多样化的用户 query、对话策略或评测任务。
- RL 带来的 agentic 可靠性提升：实验表明 RL 显著改善自我验证、工具覆盖率和多步规划能力，但纠错能力依然薄弱。这提示在业务 Agent 训练中，可针对性地引入纠错样例或辅助任务来补强。
自进化Agent Harness框架：基于语义质量多样性的可信增益
🧭 Agent自进化 · 质量多样性搜索 ★ 深度解读
EverMind AI · Shanda Group
将修改提议与可信度评估分离，通过统计检验和质量多样性归档实现harness稳健演化，跨七领域密封测试增益+9~+15.5pp
📌 工作参考价值（4 点）
- 可信的Harness优化闭环：把提示、知识注入、控制流等harness编辑的评估从模型自身剥离，用配对2σ显著性检验在密封测试集上判定增益，部署时可杜绝“幻觉式改进”，适合要求严苛的电商/搜索Agent运维。
- 病理学驱动的归档（GSME）：按*(where×why)*（编辑位置×失败原因）维护精英补丁库，支持跨细胞重组，防止搜索坍缩到安全提示微调。在搜索推荐Agent开发中，可借鉴此结构持续积累针对特定失败模式（如过早结束、空 turn）的修复方案。
- 诊断与信用分离模式：强模型负责诊断和提出补丁，确定性代码负责采样、门控和统计检验，这降低了模型错误判断的风险，适合在Agent pipeline中构建自动化的自我改进模块。
- 跨模型病理-补丁匹配规律：发现harness增益高度依赖模型自身的失败分布，同一病理可能跨模型家族重现。在多模型部署场景下，可复用*诊断-信用*循环，快速为不同基座模型定制harness，而不是盲搬同一套配置。
AgentCompass：解耦式统一 Agent 评估基础设施
🧭 Agent 评测基础设施 · 解耦式架构 ★ 深度解读
Shanghai AI Laboratory
通过解耦 Benchmark、Harness、Environment，实现灵活组合、故障容忍与细粒度轨迹分析的 Agent 评测框架
📌 工作参考价值（4 点）
- 解耦设计复用：将任务定义（Benchmark）、Agent 交互逻辑（Harness）、执行环境（Environment）分离，业务中可组合不同策略与环境进行 A/B 测试，避免重复开发。
- 异步容错流水线：参考其任务分发、并发控制与增量恢复机制，构建长周期 Agent 评估的高效流水线，减少资源浪费。
- 细粒度轨迹诊断：不仅看最终得分，还要记录工具调用、延迟、异常模式，建立分类分析器检测 reward‑hacking、重复循环等缺陷，指导 Agent 迭代。
- 统一模型协议：制定内部标准 API 与数据格式，方便接入不同 LLM 或 Agent 框架进行公平对比，降低评估集成成本。