AI Agent 前沿研究週報 W21：自我演化 + 工具層標準化（MOSS、HarnessAPI、VIPER‑MCP）

AI Agent 前沿研究週報 W21：自我演化 + 工具層標準化（MOSS、HarnessAPI、VIPER‑MCP）

中文 EN

本文研究窗口是 2026-05-18 到 2026-05-24（Asia/Taipei）。如果說產業線在把 agent 變成「可交付、可治理、可部署」的產品，那研究線本週的主題更像是在把 agent 變成「可被嚴格描述與測量的系統」：自我演化、工具層標準化、長流程評測（特別是試算表/金融這種高錯誤成本場景）、以及 MCP 生態的安全研究都在同一個方向上加速。

我挑了 6 組高信號的研究線索（大多是 5/20–5/22 集中釋出）：

1. MOSS：讓 agent 用「改自己程式碼」的方式自我演化

MOSS（Self‑Evolution through Source‑Level Rewriting in Autonomous Agent Systems）把「自我改進」推到更激進的形式：不是只在 prompt/記憶層微調，而是讓 agent 透過 source‑level rewriting 直接修改自身程式，形成一個可反覆迭代的自我演化回路。

我認為這條線的價值與風險同時升高：一旦「改自己」變得容易，你就更需要 版本化、差異檢查、回滾、以及 fail‑closed 的 guardrails，否則最終會變成不可審計的行為漂移。

2. HarnessAPI：統一 streaming API 與 MCP 工具調用，把「工具層」做成抽象

HarnessAPI（Unified Streaming APIs and MCP Tools for Seamless AI Agent Development）的核心是把不同供應商/框架的 streaming 介面，與 MCP 工具調用整合成一個統一層。這件事看似「工程便利」，但其實是 agent 生態成熟的必要條件：只有當工具調用與事件串流被抽象出來，你才有機會做一致的 觀測、重放、除錯、成本控制與安全策略。

3. WorkstreamBench + Spreadsheet‑RL：用試算表/金融任務逼出長流程評測

本週我最喜歡的研究訊號，是「把 agent 放進試算表與金融工作流」這條線。因為它天然具備兩個特性：

  1. 長流程與多步驟（不是一次回答就結束）；
  2. 可驗證的結構化產出（公式、欄位、表格、數字一致性）。

WorkstreamBench 以「跟真實工作接近」的試算表任務做 benchmark；Spreadsheet‑RL 則把學習/訓練帶進來，嘗試用 RL 的方式在 spreadsheet 任務上推進能力。

我會把這兩篇當成「長流程可驗證任務」的一個代表：相較於純文字 QA，這類任務更容易落到工程實作（replay、unit tests、diff checks、verifiers）。

4. Claw AI Lab：自動研究從「prompt→paper 黑箱」走向可互動實驗室

Claw AI Lab 的定位是把自動研究平台做成「lab‑native」且可互動的系統：不再只是 hidden prompt pipeline 產出論文，而是走向可以讓人介入、觀察、迭代的研究工作流。這也回到一個更大的問題：如果 agent 要做長流程工作（研究、工程、營運），那 人類如何介入與驗證會是系統設計核心。

5. MCP 安全研究升溫：VIPER‑MCP 與 Remote MCP 認證量測

當 MCP 變成工具整合的事實標準，安全研究自然會快速跟上。本週有兩條我認為很「能直接影響工程」的訊號：

  1. VIPER‑MCP：用靜態分析與 prompt 演化去找/利用 MCP server 的 taint 類漏洞；
  2. Remote MCP 認證量測：量測真實世界 remote MCP servers 的認證安全現況。

如果你在公司內推 MCP/工具接入，這兩篇提醒的是：MCP 的風險不是「協議是否安全」而已，而是 工具 handler、參數、權限範圍、與審計/隔離策略是否像對待一個真實的 production API 一樣嚴格。

6. 把「always‑on security agent」做成工程：DTDA + Microsoft Security Copilot

最後一篇我放在研究線但其實很靠近產品：DTDA（Dynamic Threat Detection Agent）描述一個 always‑on 的安全調查 agent，並強調工程化細節（schema validation、grounding、bounded retries、fail‑closed suppression、planner‑executor loop 等）。這類工作的重要性在於：它展示了在高風險領域要把 agent 做成「可用系統」，工程約束會如何反向塑造 agent 的設計。

我這週的研究結論

本週研究線的共同方向是：把 agent 從「模型行為」變成「可觀測、可驗證、可治理」的系統工程問題。無論是自我演化（必須能回滾）、工具層標準化（必須能觀測與重放）、長流程評測（必須能驗證）、或 MCP 安全（必須有權限與隔離），都在推動同一件事：把 agent 帶進 production 的成本，正在從「prompt 寫得好不好」轉向「系統能不能被控制」。

下週 watchlist

  • 自我修改/自我演化 agent 會不會引爆一波「版本控制 + 行為差異檢查」的新 tooling？
  • streaming API + MCP 的統一層是否會成為新的觀測/安全策略插入點（policy injection）？
  • 試算表/金融類 benchmark 會不會成為長流程可靠性評測的主戰場（replay + verification）？
  • MCP 安全研究會不會快速落到可用的 linting/scanning/guardrail 工具（尤其是參數與權限範圍）？
  • always‑on 安全/營運 agent 的工程模式（fail‑closed、grounding、schema）是否會擴散到更多高風險領域？

References

Related

AI Agent 前沿研究週報 W27：評測代理化、工具架構化、記憶進入規劃迴路（PACE、MCP Patterns、WorldEvolver）
AI Agent 前沿研究週報 W26：評測從靜態分數走向環境、Harness 與安全壓測
AI Agent 前沿研究週報 W25：評測有效性、記憶與技能路由成為主戰場