Xudong Han

2018 年，Sharon Li @SharonYixuanLi 曾有机会加入 OpenAI，最后却没有继续推进。8 年后，她承认从钱的角度看确实错过了很多，但自己并不后悔。 她写了一篇文章《Time in the Chaos》，其中讨论了一个最近很多博士生都在思考的问题：AI 都能写代码、做实验了，读 PhD 还有什么意义？ 她认为，博士训练最珍贵的部分，是学会独立思考，判断什么问题值得研究，以及什么样的证据才真正可信。 她自己就是一个很好的例子。 早年研究 OOD 时，这个方向并不算热门。但从计算机视觉到今天的 LLM、Agent，「模型遇到未知情况该怎么办」这个问题始终存在。 她还提到在选研究方向时，尽量寻找那些有较长「学术半衰期」的问题。即使模型和技术不断变化，这些问题依然值得研究。 我也会觉得现在热点变化太快了，很容易担心自己跟不上，但也许更该花时间想清楚，哪些问题值得自己长期投入。 很推荐正在读博、做研究，或者对未来职业方向感到迷茫的人读读。 原文：https://pages.cs.wisc.edu/~sharonli/time-in-the-chaos.html?v=13

好文推荐👍 本人也非常nice，对一些问题有非常深入的见解。

想自己训练一个真正会用工具的 Agent，却不知道从哪开始？Hugging Face 最近整理的这套教程，我觉得很多人正好需要。 名字叫《A curriculum for post-training agents》，用 Coding Agent 贯穿整个学习过程。 从 SFT 学习工具调用轨迹，到模型蒸馏、GRPO，再到 OpenEnv 多轮交互，最后教你如何在真实 Harness 中训练 Agent。 其中有一个实验很有意思。作者故意设计了容易被钻空子的奖励函数，结果训练分数越来越高，实际代码测试表现却越来越差，把 Reward Hacking 这个坑讲得很直观。 每个阶段都配了视频、讲义、TRL 文档，部分还有训练代码和实际案例，可以顺着一步步学下来。 对于已经会搭 Agent，想进一步理解 Agent RL、训练环境和 Harness 的人，这套学习路线很值得收藏。 https://huggingface.co/blog/huggingface/train-agents

昨天刚分享完《Memory Tax》，结论是复杂 Memory 在整理和压缩历史时，可能反而损失原始信息。 结果今天又看到一篇更直接的： 很多精心设计的 Agent Memory，最后还真不一定打得过最朴素的 Raw-RAG。 这两篇放在一起看挺有意思。 昨天那篇在解释「Memory 为什么会产生税」，今天这篇则在问：如果直接保留 raw history 做检索，究竟能走多远？ Raw-RAG 的方法非常简单： 保留原始对话历史，切成带重叠的文本块；先做 dense retrieval，再用 reranker 筛一遍，最后把最相关的原始证据交给 LLM 推理。 中间没有 LLM 摘要、记忆重写、UPDATE / DELETE，也没有复杂的图结构。 结果在 LoCoMo、LongMemEval、MEME 和 MemoryAgentBench 上，7 组模型设置里拿下 6 组第一，比最强的对比 Memory 系统高 0.13–5.53 个百分点。 论文进一步分析了原因。 很多问题真正需要的证据，并不只是某个「答案值」，还包括时间顺序、前后关系和依赖路径。 Memory 一旦把历史压缩成独立事实或摘要，这些关系很容易在整理过程中被削弱。甚至把完整的 transformed memory 全部交给模型，效果依然和直接看 raw evidence 存在差距。 当然，这也不代表 RAG 随便做就行。 论文里去掉 reranking 后，MemoryAgentBench 的分数从 48.32 降到 44.40；只返回一个检索结果，下降更明显。 所以问题可能没那么复杂： 先把原始信息保存好，再把 retrieval 和 reranking 做扎实，已经能覆盖很多长时对话 Memory 场景。 两篇论文连着看，给我们的提醒很重要： 做 Agent Memory 之前，最好先问一句，这套复杂机制，究竟比 raw-history RAG 多带来了什么？ 如果连这个 baseline 都没稳定超过，复杂本身可能还算不上进步。 📎 arxiv: https://arxiv.org/abs/2610.30755

DeepSeek 想让 Agent 在没人 @ 它的时候，也能主动发现团队讨论的 Bug，尝试修复，甚至直接提交 PR。 刚看了 DeepSeek Harness 团队发布的《Super-agent 设计探索：迈向更自主的 Agent 系统》，很多想法非常值得研究。 现在同时跑几个 Coding Agent，最累的往往是人。得不停切换 Session、查看进度，还要反复补充上下文。 DeepSeek 提出了一套 Router + Worker 双层架构。 Router 负责接收群聊、GitHub、CI 等事件，判断哪些事情需要处理；Worker 则在独立会话中并行执行任务，再把结果送回原来的对话。 我非常赞同其中的一个设计理念，尽量减少对人类注意力的消耗。 Agent 可以在授权范围内提前处理任务，能自己解决的就安静完成，真正需要决策或有结果时再通知人。 初步合成实验中，任务完成时间的 P95 从 29.5 分钟降到了 15.7 分钟。不过实验主要验证调度效率，真实场景下的可靠性还需要继续观察。 官方也同步开源了参考原型，虽然不少设计还在探索阶段，但我觉得这个方向很有价值。 以后做长期 Agent，可能得认真考虑一件事：怎样让它真正替人持续跟进工作，同时尽量减少人的管理负担。 GitHub：https://github.com/deepseek-ai/dsh-superagent-prototype

想要升级你的 Grok Bot，并且想探索更多玩法的，直接把下面👇🏻这个帖子链接丢给你的 Grok Bot，然后照着做，你会有意想不到的收获。

如果 Autoresearch 真的越来越强，人类研究者最后会被拿掉吗？ Meta FAIR 等团队这篇《Aligning Autoresearch》给出的答案更接近「共同进化」。 他们先让 Research Agent 自己创建 benchmark，再逐步加入人类反馈。 对于真正有价值的人类输入，主要集中在前期帮 Agent 定义要研究什么、给哪些材料、什么样的问题才值得做。 细粒度的人类指导，在 6 组 benchmark × solver 对比里，都让最终 benchmark 明显更难，提升幅度达到 28–46.5 分。 论文还专门做了 HackBench，测试模型能不能从超长科研轨迹里发现 reward hacking。 169 条轨迹里，中位数超过 100 万字符，却通常只藏着 1 条真正违规的命令。 即使是前沿模型，最好的定位 F1 依然不到 53。 所以作者后面做的事情很自然： 让 Agent 学会更好地和人协作。 AutoInteract 用真实交互记录构造「人类模拟器」，训练模型处理澄清、需求变化和纠错；RL-XAR 则用专家写作反过来优化评估标准，再提升 Agent 的科研表达。 这样看来未来的 Research Agent 可能不会简单走向「全自动科研」。 更现实的路径，是让 Agent 承担越来越多执行和搜索工作，同时把人类的研究判断、反馈和标准更深地写进训练循环。 重要的是让 Agent 不仅会自己研究，还要让它知道怎样和人一起把研究做得更好。 📎 arxiv: https://arxiv.org/abs/2610.38882

继续这周做一些总结： 很多精心设计的 Agent Memory，打不过把原始聊天记录切块直接检索。 Memory 在算账，Harness 自进化也在被追问「到底哪处改动有用」，Eval 又被拉回了 C 位。 本周最值得收藏的技术 Blog，Agent 论文和指南，都整理在这条线程里 👇