agent/papers/reading-queue.md

Reading Queue

status: seed

Priority	Paper	Topic	Reason	Status	Link
P0	OpenAgentSafety	agent safety / evaluation	真实工具、多轮、多用户安全评估，直接对应 Agent eval 需求	skimmed	https://arxiv.org/abs/2507.06134
P0	Memory for Autonomous LLM Agents	memory	综述 memory 机制、评估和工程挑战，对 JD 高频 memory/context 信号有解释力	skimmed	https://arxiv.org/html/2603.07670v1
P0	EvoMemBench	memory benchmark	说明 memory 不总是优于长上下文，适合作为实验设计依据	skimmed	https://arxiv.org/html/2605.18421
P0	SWE-EVO	coding agent benchmark	长程软件演进任务比 SWE-Bench 更接近真实工程	skimmed	https://arxiv.org/html/2512.18470v5
P1	Dialogue-SWEBench	human-in-the-loop coding agent	评估 coding agent 澄清需求能力，补足全自动 benchmark 盲区	skimmed	https://arxiv.org/html/2606.13995v1
P1	Taxonomy and Consistency Analysis of Safety Benchmarks for AI Agents	safety benchmark taxonomy	用于选择和比较 Agent safety benchmark	queued	https://arxiv.org/html/2605.16282v1
P0	The Regression Tax	component evaluation	需要验证 gains/regressions 分解、三类 skill regression 和跨 harness 设置	queued	https://arxiv.org/abs/2607.22520
P0	Do Agent Benchmarks Measure Capability?	evaluation validity	直接检查 benchmark protocol 是否真的测到目标能力	queued	https://arxiv.org/abs/2607.22368
P0	AgentLens	coding-agent trajectory	生产轨迹评审和失败类型可能直接支持 K1412 eval task/failure taxonomy	queued	https://arxiv.org/abs/2607.06624
P0	DynamicMCPBench	dynamic tool evaluation	动态 MCP server、trace grounding 和 effect scoring 对工具 Agent 评测直接相关	queued	https://arxiv.org/abs/2607.20531
P1	AgentDebugX	observability / recovery	评估失败可观测、归因和恢复工具的实现与证据	queued	https://arxiv.org/abs/2607.18754
P1	Reason Less, Verify More	deterministic verification	核验确定性 gate 是否真的恢复策略违规失败	queued	https://arxiv.org/abs/2607.07405

Priority Rules

• P0: 直接影响当前项目或实验。
• P1: 和 Agent 核心能力强相关，有可靠证据。
• P2: 值得了解，但暂不影响近期决策。
• P3: 只作为背景材料。

Review Rhythm

• 每周补充新条目。
• 每月清理低价值或重复条目。
• 阅读完成后移动到 papers/items/，并在这里更新状态。