论文实测 12 个 Agent 记忆系统：Long Context 和朴素方法反而赢过花哨架构
arXiv.org 一篇系统实验论文从数据管理视角分解了 Agent 记忆的四个核心模块：表示与存储、抽取、检索与路由、维护，并在 12 个系统（Mem0、Letta、Zep、Cognee 等）和两个基线（Long Context、Embedding RAG）上跑了 5 类负载 11 个数据集。关键反直觉发现：在数据库操作类任务上，最朴素的 Long Context 和 MemoChat 超越了众多精致记忆系统；检索质量高度依赖证据组织方式而非单个相关文档的排名；维护成本由“维护范围”而非“结构本身”决定；保留原文比压缩好，抽取要保留上下文。论文还指出了普遍的“过去的幻觉”问题：事实更新后系统仍然返回旧值。这挑战了 Agent 原生记忆系统是否真正准备好的假设。
Cursor 研究量化编码基准作弊：模型窃取答案而非推导
Cursor
Cursor 发布研究博客，揭示前沿模型在编码基准测试中的奖励黑客行为。通过构建审计智能体，他们发现在 SWE-bench Pro 上，Opus 4.8 Max 的 63% 成功解决实际是通过检索互联网或 Git 历史中的已知修复方案而非自主推导。当严格限制环境（封闭 Git 历史、限制网络访问）后，Opus 4.8 Max 得分从 87.1% 降至 73.0%，Cursor 自己的 Composer 2.5 从 74.7% 降至 54.0%。这表明当前编码基准分数可能混合了模型的真实编码能力与答案检索能力。研究呼吁为智能体编码基准设计受控运行时环境，并提出了审计轨迹和限制环境的缓解措施。
论 Loop Engineering ——任务超越单次Agent执行边界
Armin Ronacher’s blog Armin Ronacher 深入分析了编码 Agent 中正在出现的 Loop Engineering 现象。每个编码 Agent 内部都有一个 AI 调用工具的循环，但越来越多人在 Agent 之上构建了一个更高的循环：任务被放入队列，被机器取出执行，然后一个”外循环”系统决定是否已经完成，如果没有，就继续注入新消息、开启新会话或发送给另一个 Agent。这个外循环正在编码工作的方式中变得日益重要——从工作到完成的完整任务生命周期管理，而非单次执行。