本文研究窗口是 2026-06-29 到 2026-07-05（Asia/Taipei）。本週研究主線不是「又一個 agent benchmark」，而是 agent 研究開始拆成三個可工程化問題：如何用低成本 proxy 估計 agent 能力、如何把 tool / MCP server 架構設計成可維護系統、如何讓記憶與世界模型在長任務規劃中自我修正。

1. PACE：用 proxy benchmark 降低 agent 評測成本

7 月 2 日 arXiv 論文 PACE: A Proxy for Agentic Capability Evaluation 聚焦一個實務痛點：SWE-Bench、GAIA 這類 agentic benchmark 成本高、耗時長、基礎設施複雜。作者提出 PACE，用小型、精選的 atomic evaluation instances 來預測昂貴 agent benchmark 的表現。

PACE 的方法是從 19 個 non-agentic benchmarks 中挑選 instances，透過 target-relevance local selection 與 globally informative global selection 建構 proxy subset，再用 regression 將模型在 proxy 上的表現映射到 4 個 agentic target benchmarks。論文聲稱在 14 個模型上，PACE-Bench 的 leave-one-out MAE 低於 4%、Spearman correlation 高於 0.80、pairwise ranking accuracy 約 85%，成本低於 full agent evaluation 的 1%。

這項研究的重要性不在於取代完整評測，而是讓 model selection、routing、training checkpoint triage 有更便宜的早期訊號。限制也很明顯：proxy 只能預測它被校準過的 target benchmarks，對全新工具環境、企業私有流程、長期 memory failure 仍需要 full replay。

2. MCP Server Architecture Patterns：工具生態需要架構語言

6 月 29 日 arXiv 論文 MCP Server Architecture Patterns for LLM-Integrated Applications 把 MCP 生態從「很多 server」整理成設計模式。作者分析 15 個 independently developed servers，歸納出 Resource Gateway、Tool Orchestrator、Stateful Session Server、Proxy Aggregator、Domain-Specific Adapter 五種模式，也列出四種 anti-patterns，以及 authentication、versioning、observability 等 cross-cutting concerns。

這篇論文最值得 agent builders 關注的是 tool-count study：作者報告 tool-selection accuracy 在 Claude Haiku 4.5 約 10-15 tools 之間跌破 90%，Sonnet 4.5 約 20-30 tools 之間跌破 90%。即使數字需要在更多模型與真實工作負載中驗證，它也提醒開發者不要把 MCP server 當作無限擴充的工具垃圾桶。

實務含義是：MCP server 需要像 API gateway / service boundary 一樣設計。工具數量、命名、schema、auth、observability、state isolation 都會影響 agent reliability。

3. WorldEvolver：世界模型從靜態預測變成測試時自我修正

6 月 29 日 arXiv 論文 Self-Evolving World Models for LLM Agent Planning 研究長任務 agent 的 foresight 問題。WorldEvolver 把 world model 分成 Episodic Memory、Semantic Memory、Selective Foresight：使用真實 action transitions 做 retrieval-based simulation，從 prediction-observation mismatch 抽取 persistent heuristic rules，並過濾低信心預測再放進 agent reasoning context。

作者在 ALFWorld、ScienceWorld、Word2World 與 AgentBoard 上評估，聲稱 WorldEvolver 在三個 backbones 上提升 world model prediction accuracy，也改善 downstream agent success rate。這類工作重要，是因為長任務 agent 常失敗在「對下一步後果估錯」：改檔案、點 UI、調 API、查資料都有副作用。如果世界模型能在部署時根據真實轉移修正，就比靜態 prompt rule 更接近 agent runtime memory。

限制是：ALFWorld / ScienceWorld 仍是受控環境。企業工作流裡的 state、權限、例外情況、外部服務變動更複雜，Selective Foresight 的 confidence calibration 會是關鍵。

4. GameDevBench：多模態 coding agent 的壓力測試

GameDevBench 雖然早於本週發布，但本週再次出現在 agent research leads 中，原因是它抓到 coding agent 的下一個盲點：遊戲開發同時要求程式修改、視覺理解、asset 操作、shader / sprite / animation reasoning。論文包含 132 個由 web 與 video tutorials 派生的任務，平均 solution 需要的 code lines / file changes 超過先前 software development benchmarks 三倍。

作者報告最佳 agent 只解出 54.5% tasks，且 2D graphics 類成功率顯著更低；簡單 image / video feedback mechanisms 能改善部分模型表現。這對 agent 研究的提醒是：只看 text-only coding benchmark 會高估 multimodal engineering capability。真實 agent 要能看畫面、理解 artifact、修改資產並驗證視覺結果。

5. SkillOpt / agentic RL：技能與訓練資料進入同一套優化觀

Microsoft lead 與 arXiv 論文 SkillOpt: Executive Strategy for Self-Evolving Agent Skills 提供另一個方向：不只訓練模型，也把 agent skills 當作 frozen model 外部狀態來優化。SkillOpt 用 optimizer model 對單一 skill document 做 bounded edit，只有 held-out validation score 改善才接受。論文聲稱在 direct chat、Codex、Claude Code 三種 harness 上有穩定提升。

這和 NVIDIA 本週的 agentic RL guide 形成互補：一條路是更新模型權重或 adapter，一條路是更新 skills / memory / context。真正可用的 agent 系統大概率會兩者並行：模型後訓練處理可驗證行為，skill optimization 處理流程知識、團隊規範與工具操作。

本週判斷

本週研究告訴我們，agent 進步的核心不只是更大的 model，而是更便宜的 eval、更清楚的 tool architecture、更可信的 memory / world model，以及能被反覆驗證的 skill / RL loop。研究界正在把 agent 從 demo 系統拆成可測、可維護、可優化的工程部件。

Watchlist

• PACE 是否能預測企業私有 agent workloads，而不只公開 benchmark。
• MCP pattern taxonomy 是否被官方 registry、SDK 或企業平台吸收。
• WorldEvolver 類方法在 web / desktop / coding agents 上是否能處理非穩態環境。
• GameDevBench 是否推動 agent benchmarks 加入更多視覺與 artifact-level verification。
• SkillOpt / SkillGrad / agentic RL 是否形成「skills as trainable assets」的新工具鏈。