Collect first agent research and market sources

This commit is contained in:
wuyang
2026-07-08 12:08:24 +08:00
parent 36c2499d3c
commit 1cbc98e432
34 changed files with 3417 additions and 58 deletions
@@ -0,0 +1,64 @@
# Paper: OpenAgentSafety
---
type: paper
title: OpenAgentSafety: A Comprehensive Framework for Evaluating Real-World AI Agent Safety
authors: Sanidhya Vijayvargiya, Aditya Bharat Soni, Xuhui Zhou, Zora Zhiruo Wang, Nouha Dziri, Graham Neubig, Maarten Sap
year: 2025
venue: ICLR 2026 / IASEAI 2026
url: https://arxiv.org/abs/2507.06134
code_url:
source: arxiv
collected_at: 2026-07-08
status: skimmed
relevance: high
topics:
- agent-evaluation
- agent-safety
- tool-use
methods:
- multi-turn-agent-evaluation
- rule-based-analysis
- llm-as-judge
benchmarks:
- OpenAgentSafety
models:
-
datasets:
-
related_concepts:
- guardrail
- human-in-the-loop
related_jobs:
- 2026-07-08-baidu-aidu-agent-algorithm-engineer-beijing
- 2026-07-08-tencent-cloud-ai-agent-test-engineer
related_experiments:
-
related_projects:
-
---
## One-line Takeaway
Agent safety 评估正在从简单拒答测试转向真实工具、多用户、多轮任务和可扩展评估框架。
## Problem
真实 Agent 会调用浏览器、文件系统、shell、消息平台和代码执行环境,传统安全 benchmark 对工具、任务和对抗场景覆盖不足。
## Core Idea
OpenAgentSafety 提供模块化框架,用真实工具和多轮任务评估 Agent 在八类风险下的行为,并结合规则分析和 LLM-as-judge。
## Evidence
论文报告覆盖 350+ 多轮、多用户任务,并评估五个 LLM 在 agentic 场景下的安全表现。
## Useful For Us
- 可作为 Agent eval harness 的安全维度参考。
- 与 JD 中的 Agent 评测体系、成功率、稳定性、安全边界直接相关。
## Follow-up Experiments
- 选 10 个高风险工具任务,建立一个本地 mini OpenAgentSafety 风格测试集。
@@ -0,0 +1,61 @@
# Paper: Agent Safety Benchmark Taxonomy
---
type: paper
title: "Taxonomy and Consistency Analysis of Safety Benchmarks for AI Agents"
authors:
year: 2026
venue:
url: https://arxiv.org/html/2605.16282v1
code_url:
source: arxiv
collected_at: 2026-07-08
status: queued
relevance: medium
topics:
- agent-safety
- agent-evaluation
methods:
- benchmark-taxonomy
- coverage-matrix
benchmarks:
- agent-safety-benchmarks
models:
-
datasets:
-
related_concepts:
- guardrail
- red-teaming
related_jobs:
- 2026-07-08-tencent-cloud-ai-agent-test-engineer
related_experiments:
-
related_projects:
-
---
## One-line Takeaway
Agent safety benchmark 还没有收敛,做评估时不能只依赖单一 benchmark。
## Problem
不同安全 benchmark 的风险覆盖、任务环境、评估方法和结论可能不一致。
## Core Idea
该论文整理 2023-2026 年的 behavioral agent-safety benchmarks,并用六轴 taxonomy 和 coverage matrix 分析方法选择如何影响结论。
## Evidence
搜索摘要显示论文 catalog 了 40 个 behavioral agent-safety benchmarks 和 5 个相邻 evaluator/defense/dataset artifact。
## Useful For Us
- 适合作为选择 Agent safety benchmark 的二级阅读材料。
- 与 OpenAgentSafety、AgentRx、腾讯 Agent 测试岗位形成交叉验证。
## Follow-up Experiments
- 根据 taxonomy 给知识库建立自己的 Agent evaluation source map。
@@ -0,0 +1,63 @@
# Paper: Dialogue-SWEBench
---
type: paper
title: "Dialogue-SWEBench: A Benchmark for Dialogue-Driven Coding Agents"
authors: Brendan King, Jeffrey Flanigan
year: 2026
venue:
url: https://arxiv.org/html/2606.13995v1
code_url: https://jlab-nlp.github.io/dialogue-swe-bench/
source: arxiv
collected_at: 2026-07-08
status: skimmed
relevance: high
topics:
- coding-agent
- human-in-the-loop
- agent-evaluation
methods:
- user-simulator
- dialogue-benchmark
- schema-guided-agent
benchmarks:
- Dialogue-SWEBench
models:
-
datasets:
- SWE-Bench Verified
related_concepts:
- human-in-the-loop
- coding-agent
related_jobs:
- 2026-07-08-baidu-aidu-agent-fullstack-engineer-beijing
related_experiments:
-
related_projects:
-
---
## One-line Takeaway
Coding agent 的真实能力不能只看自动修复,还要看它能不能通过对话澄清需求。
## Problem
现实中的 coding assistant 经常和用户交互,但主流 benchmark 多把它们评估为全自动系统。
## Core Idea
Dialogue-SWEBench 使用 persona-grounded user simulator,把 SWE task 改造成多轮对话评估,并提出 schema-guided agent 改善对话能力。
## Evidence
论文报告 schema-guided agent 相比强 baseline 提升 3-14%,并指出更强 coding model 不一定是更强 dialogue agent。
## Useful For Us
- 对“Agent 何时应该提问”很有启发。
- 可以作为 coding-agent / human-in-the-loop 评估维度。
## Follow-up Experiments
- 给本知识库的 coding-agent 项目设计“澄清问题质量”评估。
+65
View File
@@ -0,0 +1,65 @@
# Paper: Memory for Autonomous LLM Agents
---
type: paper
title: "Memory for Autonomous LLM Agents: Mechanisms, Evaluation, and Emerging Frontiers"
authors:
year: 2026
venue:
url: https://arxiv.org/html/2603.07670v1
code_url:
source: arxiv
collected_at: 2026-07-08
status: skimmed
relevance: high
topics:
- memory
- agent-architecture
- agent-evaluation
methods:
- write-manage-read-loop
- retrieval-augmented-memory
- reflective-memory
- hierarchical-context
benchmarks:
-
models:
-
datasets:
-
related_concepts:
- memory
- context-engineering
related_jobs:
- 2026-07-08-baidu-aidu-agent-algorithm-engineer-beijing
- 2026-07-08-bytedance-seed-llm-agent-research-engineer
related_experiments:
-
related_projects:
-
---
## One-line Takeaway
Memory 应该作为 Agent 系统的一等工程组件,而不是 prompt 里临时塞历史记录。
## Problem
长任务、多 session 和个性化场景中,单一上下文窗口无法保存并正确复用历史经验。
## Core Idea
该综述把 Agent memory 形式化为 write-manage-read loop,并从时间范围、表示基底和控制策略三个维度整理机制。
## Evidence
论文覆盖 2022 到 2026 年初的 memory 机制和评估进展,并总结从静态 recall 到多 session agentic benchmark 的转变。
## Useful For Us
- 用来设计知识库自己的 memory / context 管理专题。
- 与百度和字节 JD 中的长期记忆、context compression、agent harness 强相关。
## Follow-up Experiments
- 用同一组任务比较 raw history、summary memory、retrieval memory 和 procedural memory。
+65
View File
@@ -0,0 +1,65 @@
# Paper: SWE-EVO
---
type: paper
title: "SWE-EVO: Benchmarking Coding Agents in Long-Horizon Software Evolution Scenarios"
authors: Minh Vu Thai Pham, Tue Le, Dung Nguyen Manh, Huy Nhat Phan, Nghi D. Q. Bui
year: 2026
venue:
url: https://arxiv.org/html/2512.18470v5
code_url: https://github.com/SWE-EVO/SWE-EVO
source: arxiv
collected_at: 2026-07-08
status: skimmed
relevance: high
topics:
- coding-agent
- agent-evaluation
methods:
- long-horizon-software-evolution
- benchmark
benchmarks:
- SWE-EVO
models:
- OpenAI
- DeepSeek
- Zhipu
- Qwen
- Moonshot
datasets:
- release-notes
related_concepts:
- coding-agent
- long-horizon-task
related_jobs:
- 2026-07-08-deepseek-agent-hiring-wave-beijing-hangzhou
related_experiments:
-
related_projects:
-
---
## One-line Takeaway
Coding agent 评估正在从单 issue 修 bug 转向多文件、多 PR、版本演进式长任务。
## Problem
SWE-Bench 类任务偏单点 issue,而真实工程经常要求根据 release notes 进行系统性版本演进。
## Core Idea
SWE-EVO 从成熟 Python 项目的 release notes 构造 48 个长程任务,平均涉及 21 个文件,并提出 Fix Rate 捕捉部分进展。
## Evidence
论文显示强模型在 SWE-EVO 上的解决率远低于 SWE-Bench Verified,失败更多来自语义理解和长期指令跟随,而不是简单工具操作。
## Useful For Us
- 适合指导 coding-agent 项目的内部评测集设计。
- 和 DeepSeek JD 中的 AI coding tool 使用、Agent infra、评测闭环相关。
## Follow-up Experiments
- 选一个开源 Python 项目,用 release notes 构造小规模 SWE-EVO 风格任务。
+62
View File
@@ -0,0 +1,62 @@
# Paper: EvoMemBench
---
type: paper
title: "EvoMemBench: Benchmarking Agent Memory from a Self-Evolving Perspective"
authors: Yuyao Wang, Zhongjian Zhang, Mo Chi, Kaichi Yu, Yuhan Li, Miao Peng, Bing Tong, Chen Zhang, Yan Zhou, Jia Li
year: 2026
venue:
url: https://arxiv.org/html/2605.18421
code_url:
source: arxiv
collected_at: 2026-07-08
status: skimmed
relevance: high
topics:
- memory
- agent-evaluation
methods:
- memory-benchmark
- self-evolving-agent
benchmarks:
- EvoMemBench
models:
-
datasets:
-
related_concepts:
- memory
- procedural-memory
related_jobs:
- 2026-07-08-baidu-aidu-agent-algorithm-engineer-beijing
- 2026-07-08-bytedance-seed-llm-agent-research-engineer
related_experiments:
-
related_projects:
-
---
## One-line Takeaway
Memory 的价值取决于任务类型和上下文约束;长上下文 baseline 仍然很强,不能假设外部记忆天然更好。
## Problem
现有 Agent benchmark 主要评估 reasoning、planning、execution,对 memory 的更新、修正和复用能力覆盖不足。
## Core Idea
EvoMemBench 按 memory scope 和 memory content 两条轴设计 benchmark,比较 15 种 memory 方法和长上下文 baseline。
## Evidence
结果显示 memory 在当前上下文不足或任务较难时更有价值;知识密集任务更适合 retrieval memory,执行导向任务更依赖 procedural/long-term memory。
## Useful For Us
- 设计 memory 实验时要加入长上下文 baseline。
- 不同岗位里提到 memory 时,要进一步区分事实记忆、过程记忆和跨任务经验。
## Follow-up Experiments
- 用 Agent 项目任务集做 memory-vs-long-context 对照实验。