本文研究窗口是 2026-05-25 到 2026-05-31（Asia/Taipei）。本週的研究訊號很一致：大家正在把 agent 從「prompt + tools 的拼裝」推向 可持續演進的工程系統。核心關鍵字是三個：skills lifecycle（技能生命週期）、self-improvement loops（自我改進閉環）、runtime safety & verification（執行期安全與可驗證性）。
下面我用 4 個主題把本週最有工程含金量的論文串起來：每個主題都附上「對 builder 的可行行動」與「仍未被證明的風險」。
1) Skills 變成長期資產：從「技能檔案」走向「可優化參數」
本週最明顯的趨勢之一，是把 agent skills 當作能被持續優化的工程資產，而不是一次性生成的 prompt 片段。
- MUSE-Autoskill: Self-Evolving Agents via Skill Creation, Memory, Management, and Evaluation（arXiv:2605.27366，Submitted 2026-05-26）
- SkillGrad: Optimizing Agent Skills Like Gradient Descent（arXiv:2605.27760，Submitted 2026-05-26）
Builder takeaway（可直接落地）
- 把 skill 當成「版本化的套件」：要有 test（unit/behavioral）、lint、變更記錄，以及可回滾策略。
- 把「失敗」結構化：錯誤類型、觸發條件、對應修補 commit，才能讓 skill 真的能被“迭代優化”。
- skill 的“reuse”比“create”更重要：你要量測 reuse 率與 reuse 成功率，才能知道 skill 究竟是不是資產。
尚未證明/風險
- 技能優化很容易 overfit 到一套基準或單一資料分布；跨環境/跨工具/跨政策的可遷移性仍是問號。
- skill 的供應鏈安全（第三方 skills）會成為新攻擊面：如果 skills 能自我演進，誰來簽名、審計、sandbox？
2) Self-improvement 不只改 scaffold：也開始觸及「權重更新」
SIA 的關鍵訊號是：自我改進不只發生在 prompt/harness/tooling（scaffold），也嘗試把模型權重更新納入同一個 loop。
- SIA: Self Improving AI with Harness & Weight Updates（arXiv:2605.27276，Submitted 2026-05-26）
Builder takeaway
- 如果你不能（或不想）做 online weight update，你仍可以借鑑它的抽象：把“改什麼”分成 harness（流程/工具/重試/檢索）與 model（知識/直覺/規則）兩層，並在設計上讓兩層各自可回歸測試。
- 把 eval 當作「閉環的貨幣」：沒有 eval，就沒有可控的自我改進。
尚未證明/風險
- 權重更新會把安全/合規問題放大：資料來源、偏差漂移、不可回溯的行為變化，都會比 prompt 改動更難治理。
3) 把 agent runtime 變成語言的一部分：LACUNA 用類型檢查收斂安全邊界
LACUNA 的直覺很工程化：讓 LLM 產生「能影響 runtime 的程式碼」很強，但風險也更大；那就把動作做成 typed holes，在執行前先 type-check，拒絕就不改環境、再用 compiler diagnostics 讓模型重試。
- LACUNA: Safe Agents as Recursive Program Holes（arXiv:2605.28617，Submitted 2026-05-27）
Builder takeaway
- 對高風險工具（付款、刪庫、發信、提權），考慮把 tool call 升級成「可驗證的計畫片段」：先靜態/半靜態檢查（schema、權限、資訊流），再允許執行。
- 把“拒絕”做成一等公民：拒絕要能回饋具體診斷，成為下一次重試的上下文。
尚未證明/風險
- 類型/靜態檢查能保證的邊界有限：很多真實風險來自語義層（用錯資料、做錯決策），而不是型別不匹配。
4) 多模態 agent 的訓練瓶頸：把「思考—行動落差」當成可優化對象
在多模態 agent 需要頻繁工具使用時，常見問題是模型偏好一直“想”、不“做”，工具路徑高變異也讓 RL 訊號很不穩。本週 AXPO 針對這點提出具體訓練處理方式。
- Agent Explorative Policy Optimization for Multimodal Agentic Reasoning（arXiv:2605.28774，Submitted 2026-05-27）
Builder takeaway
- 你可以把“工具使用率（tool attempt rate）”與“工具路徑 all-wrong 率”當作二級指標，來診斷 agent 的思考—行動落差。
- 對工程系統而言，這意味著：除了回答正確率，你還要監控 工具呼叫分布、失敗類型、重試成本，不然你沒辦法做可控的成本/可靠性優化。
本週總結：研究正在把 agent 從「能力」變成「系統」
把本週訊號放在一起看，你會得到一個很一致的結論：
下一階段的 agent 競爭，不只在於模型本身，而在於 skills、harness、eval、verification、governance 的整套系統工程。
Watchlist（下週追蹤）
- 更強的「可驗證環境」與「可驗證 reward」是否會在 computer-use / coding agent 上成為主流訓練路線。
- “skills ecosystem” 的安全：簽名、權限、隔離與供應鏈審計是否能跟上技能自我演進的速度。
