本文研究窗口為 2026-08-17 至 2026-08-23（Asia/Taipei）。W34 的研究主線是：harness 不再只是把模型接上工具的介面，而是可以被訓練、評測並累積程序記憶的能力層。

ClawGym II：從黑盒 harness 邊界做強化學習

ClawGym II 將既有 harness 隔離在暫時 sandbox，透過模型服務邊界攔截呼叫，再用 prefix tree 重建多輪 trajectory，讓 PPO／GRPO 在不改 OpenClaw 或 Claude Code 內部的情況下訓練。作者報告 Qwen3-30A3B 在 ClawGym-Bench 的 Pass@1 分別提高 9.98 與 14.81 個百分點，並在 200–400 steps 保持穩定。

這是重要的工程方向，但還不是通用結論。需要獨立重現 sandbox 成本、reward leakage、不同 harness 的資料分布，以及收益在未見任務上是否保留。mix-harness training 特別值得觀察，因為它可能決定「學到能力」還是「背熟某套介面」。

HarnessEval-W：世界模型評測也需要 Agent 化

HarnessEval-W 把視覺世界評測包進可互動 harness，而不是只比較一次性生成分數；其程式碼以 Apache-2.0 釋出。它提醒我們，世界模型若要支援 planning，評測必須觀察探索、工具使用、狀態維持與跨步錯誤。現階段仍要檢查 leaderboard 的模型覆蓋、human baseline、評分器敏感度與 unseen world 泛化。

Anything2Skill：把文件從「可搜尋」編譯成「可執行」

Anything2Skill 本週在 OpenReview 再次進入發現面。它把異質文件抽取成含 invocation、contraindication、steps、constraints、evidence 與 confidence 的 skill contract，並以版本化 SkillBank 管理。作者在 qsv 與 GitHub CLI 任務報告 RAG+skills 成功率 98.85% 與 94.10%。這支持「程序記憶」可能比每次重讀文件有效，但測試範圍仍窄；錯誤程序的更新、撤銷與權限尤其未解。

Context 仍是承重牆

Plans Don't Persist 在本週 OpenReview 訊號中重新受到注意。研究指出移除 plan 後，Llama-3.1-70B 的 plan signal 一步內下降 4.1 倍，naive plan eviction 使 ALFWorld success 下滑 34.7 個百分點；但 probe-gated resurfacing 也未恢復表現。這不是證明 probe 讀懂計畫，而是警告 summary／compaction policy 本身就是能力變數。

本週判斷與 Watchlist

下一代 Agent 研究應同時版本化 model、harness、context policy、skill registry、reward 與 budget。Watchlist：ClawGym II 跨模型重現；HarnessEval-W 私有集與人類基線；Anything2Skill 的衝突／撤銷機制；以及 context compression 的因果測試與成本曲線。