终端 agent 需要多步规划、执行反馈和状态适应，但现有训练环境高度依赖外部仓库抓取，难以控制能力覆盖和 verifier 质量。 LiteCoder-Terminal-Gen 提供 zero-dependency synthesis pipeline，用来生成可执行、可验证的长程 terminal envi...
TopoEvo 处理 LLM RCA agents 的另一类失效：忽略服务拓扑会把根因误归到下游受害节点，产生 symptom-amplification bias。 系统把 metrics、logs、traces 对齐成拓扑增强表示，用向量量化形成可审计 symptom tokens，再通过多 agent H...
STAR 针对微服务 RCA agents 的关键可靠性问题：早期证据收集、假设构造或因果分析错误会沿 reasoning trace 传播，最终破坏诊断。 它把 RCA workflow 拆成 Evidence Package、Hypothesis Set、Analysis Structure 和 Decis...
FlowCompile 把结构化 LLM workflows 的优化从运行时路由问题改写为编译问题：部署前全局探索 workflow 设计空间，形成可复用的配置集合。 它关注的不是单个 prompt，而是由多个 sub-agents 组成的图结构工作流，在模型选择、reasoning budget 和结构组合之...
很多 desktop 或 coding agent benchmark 的问题是文件世界太干净、依赖关系太薄。Workspace-Bench 把评测对象换成了更接近真实工作空间的 file graph environment，而不是几份预摆好的小文件。 它的耐用点在于规模和结构同时成立：5 个 worker p...
这篇工作的价值在于它抓住了一个真实但一直缺 benchmark 的问题：很多故障诊断不是纯 backend observability，也不是纯 browser automation，而是要把用户可见症状和后端信号拼起来做归因。CUJBench 正是在测这个 cross-modal diagnosis gap...
这篇论文补的是 coding agent 研究里一个非常实际的缺口：我们有很多 benchmark，但几乎没有真实世界里人到底怎么用 coding agent、agent 产出的代码到底有多少被真正采用、失败模式在自然环境里长什么样的系统证据。 SWE-chat 的价值在于它不是合成任务集，而是来自开源开发者真...
这篇工作的切入点是对的：真正决定多 agent 漏洞发现效果的，往往不是单个模型更聪明，而是 harness 如何定义角色、信息流、工具权限和重试逻辑。它把这个被低估的系统层变量正式化了。 如果 harness synthesis 能被系统搜索和优化，那漏洞发现就从“堆 agent”变成“设计 agentic...