本文研究窗口是 2026-06-01 到 2026-06-07（Asia/Taipei）。本週研究線最值得注意的共識是：agent 系統正從「把更多知識塞進上下文」轉向「把執行狀態、技能資產與評測流程做成可管理系統」。這不是單一模型能力升級，而是對 memory、skill、tool-use、benchmark 四個基礎組件的系統化重寫。
1. Benchmark Agent：評測本身開始 agent 化
6 月 5 日的 Benchmark Everything Everywhere All at Once 提出 Benchmark Agent，試圖把 benchmark 建構流程自動化，從 query 分解、資料產生、標註到品質控制都交給 agent pipeline。
- arXiv: Benchmark Everything Everywhere All at Once
- Hugging Face Papers: Benchmark Everything Everywhere All at Once
我覺得這篇值得重視，不是因為「自動造 benchmark」本身多新，而是它正面回應一個越來越大的現實問題：靜態 benchmark 太快飽和，已經跟不上 agent 產品迭代速度。如果 benchmark 也能自動滾動演化，未來研究與產品端的 eval 可能會更接近「持續 integration 的測試系統」。
Builder takeaway
- 不要只追靜態榜單分數，應該建立能隨真實資料與任務更新的 regression set。
- 對 agent 團隊來說，eval generation 可能會變成與 prompt / harness 同等重要的資產。
2. DataCOPE：技能發現開始脫離昂貴監督
另一篇很有工程價值的是 Unsupervised Skill Discovery for Agentic Data Analysis。這篇工作的重點，是讓資料分析 agent 在沒有標註 supervision 的情況下，透過 verifier-guided exploration 發現可重用技能。
- arXiv: Unsupervised Skill Discovery for Agentic Data Analysis
- Hugging Face Papers: Unsupervised Skill Discovery for Agentic Data Analysis
這篇最重要的啟發是：skills 不只可以人工寫，也可以在探索過程中被蒸餾成可重用程序知識。如果這條路成立，未來 agent 的 skill library 不會只是人工維護的 prompt pack，而會更像從真實任務軌跡中持續萃取的操作知識庫。
Builder takeaway
- 對分析型 agent，應該開始區分「任務結果」與「可重用技能片段」兩層資產。
- verifier 的品質會成為 skill discovery 的上限，不能只看最終答案對不對。
3. Agent Memory 與 MAGE：長期任務記憶的主軸從檢索轉到狀態管理
本週最一致的研究訊號，來自兩篇互補的記憶工作。
- arXiv: Agent Memory: Characterization and System Implications of Stateful Long-Horizon Workloads
- arXiv: Beyond Semantic Organization: Memory as Execution State Management for Long-Horizon Agents
前者偏系統 characterization，後者直接把 memory 的設計重心改寫成 execution state management。這很重要，因為它在挑戰一個被默認太久的假設：agent 記憶不是把歷史對話存下來、再靠語義相似度取回就夠了。對長鏈路任務來說，更核心的是：
- 現在做到哪個子任務；
- 哪些分支已失敗；
- 哪些上下文可以壓縮；
- 應該回滾到哪個乾淨狀態。
Builder takeaway
- 長工型 agent 應該把 memory 設計成 checkpoint / rollback / compress / hint 的狀態樹，而不是平面向量庫。
- 「失敗的路徑」本身也該被存成顯式訊號，否則 agent 會在長流程中反覆踩同樣的坑。
4. ToolChoiceConfusion：工具愈多，可靠性不一定更高
ToolChoiceConfusion 雖然篇幅不一定是本週最熱門，但它點到一個很實際的痛點：當 agent 可用工具變多時，模型可能不是更強，而是更容易選錯工具、被選擇空間拖垮。
這類工作的重要性在於它提醒 builder：tool count 不是越多越好，關鍵是最小必要工具集與清晰的呼叫邊界。這其實和產品端的 permissioning、成本控制、可觀測性高度一致。
本週總結：研究重點從「更會回答」轉到「更會運行」
把本週幾篇訊號放在一起看，你會得到一個很清楚的方向：
- 評測在動態化：benchmark 不再應該是靜態資產。
- 技能在資產化：skill discovery 正往自動萃取走。
- 記憶在狀態化：長期任務不能只靠語義檢索。
- 工具在收斂化：可靠 agent 需要工具選擇簡化與因果過濾。
對研究社群與產品團隊都一樣，這意味著下一階段真正難的問題不只是 reasoning，而是 state, evaluation, skill reuse, and runtime control。
Watchlist（下週追蹤）
- Benchmark Agent 類工作是否會很快出現公開 repo 與更完整的人類品質驗證。
- 無監督 skill discovery 是否能跨模型、跨框架穩定遷移。
- execution-state memory 是否會開始進入主流 agent framework，而不只停留在論文概念。
- tool filtering / routing 是否會和安全 policy、成本 policy 合併成同一層控制面。
