本文涵蓋 2026-08-03 至 2026-08-09（Asia/Taipei）。W32 的研究主線很清楚：長任務不是把 context 拉長，而是讓 Agent 能保存狀態、找出最早關鍵錯誤、以驗證器回復，並知道何時升級給人。
Argus：把自我演化放在 runtime
Argus 以 Manager、Planner、Engineer、Reviewer 執行有界 mission，把使用者意圖、操作目標、限制與驗證條件分離。作者報告在七個 GPT-5.5 評測場域中，SWE-Bench Pro 約 78%，Direct Copilot 約 59%，但使用 1.41 倍總 token；成熟波次則降低 solve-input token 與工作時間。
重要點不是宣稱 Agent「會自我進化」，而是模型權重不變，改變的是經驗、技能、驗證器與路由政策，而且只有通過角色審查或 task-native verification 才持久化。限制也明確：系統複雜、比較基線與環境由作者選定，仍需要獨立重跑與成本敏感度分析。
TRAJDEBUG：找最早且仍影響結果的錯誤
TRAJDEBUG 不只標記錯誤步驟，而是追蹤錯誤何時出現、是否被修復、是否仍造成終局失敗。TrajErrBench 包含 486 條人工標註失敗軌跡，來自 Tau2Bench 與 SWE-Bench Pro。這比只看 final answer 更接近工程診斷，因為長軌跡可能同時存在已修復與未修復錯誤。
仍待證明的是跨 domain 泛化：486 條軌跡可支持方法比較，但不足以代表企業中私有工具、非同步副作用和多人介入的全貌。
ORCA-bench：真實 on-call 差距仍大
ORCA-bench 把 50 GB、六天的 metrics、logs、traces、程式碼和 1,079 個根因分析任務放入可操作測試床。論文報告五個前沿 Agent 中，最佳者在 realistic Medium 設定只有 25.3% RCA accuracy，Hard 為 10.0%；這提醒我們，會改 code 不等於能在含噪遙測中安全值班。
這個結果也有限制：公開且固定的微服務遠小於真實企業系統，各任務被隔離調查。因此作者認為差距是下界，而不是生產 readiness 的直接估計。
本週判斷
三篇工作共同把「長任務能力」重寫為恢復能力：持久狀態、明確驗證、關鍵錯誤歸因與升級點。真正可用的 Agent runtime 不是永不犯錯，而是能在副作用擴大前辨識、回滾並留下可審計理由。
Watchlist
- Argus 的獨立重現、不同模型與總成本比較。
- TrajErrBench 是否擴展到瀏覽器、資料工程與多 Agent 互動。
- ORCA-bench 在私有拓撲、動態部署和多人 on-call 下的表現。
- 驗證器本身失準時，runtime 如何避免錯誤經驗被永久寫入。
- 「恢復率／錯誤擴散距離」是否成為長任務的標準指標。
