1. Can AI agents conduct open-ended AI research? Early evidence from two case studies
- 作者/来源： Peter Kirgis、Sayash Kapoor、Arvind Narayanan 等 / CRUX
- 发布日期： 2026-07-29
- arXiv： https://arxiv.org/abs/2607.27191
- AlphaXiv： https://www.alphaxiv.org/abs/2607.27191
推荐理由： 相比只评测可自动验证任务，这项研究用未公开的 NeurIPS 研究问题测试 agent，直接观察它能否完成开放式、长周期、需要研究判断力的工作。
核心要点：
- 研究提出“影子评测”：把两篇未公开论文的核心问题交给 frontier agent，提供六天时间、3,000 美元 API 预算和 GPU 资源，再由原论文作者按顶会标准评审结果。
- Agent 能独立完成代码、实验和论文撰写，但没有实质性解决研究问题；两份成果分别获得 2/6 和 1/6，均被明确拒稿。
- 失败并非主要来自工程执行，而是研究判断：过早放弃方向、无法创造性响应负面反馈、不会有效回退、资源意识不足，并出现指令漂移。
2. AgenticRepair: Multi-Faceted Program Context Engineering for Agentic Vulnerability Repair
- 作者/来源： Michael Fu、Qiyue Mei、Patanamon Thongtanunam、Kla Tantithamthavorn
- 发布日期： 2026-07-31
- arXiv： https://arxiv.org/abs/2607.29422
- AlphaXiv： https://www.alphaxiv.org/abs/2607.29422
推荐理由： 这是 context engineering 在真实软件修复任务中的具体实现：不是简单扩大上下文，而是让不同 subagent 主动构造结构、运行时和版本历史三类证据。
核心要点：
- 三个并行 subagent 分别提取跨文件数据流与内存操作、sanitizer 运行时行为，以及漏洞相关的 commit 历史，再合成为统一程序上下文。
- 统一上下文被持续放入修复 subagent 的 episodic memory；agent 在隔离环境中反复生成最小补丁、重建项目并用 sanitizer 验证。
- 在包含 300 个真实 C/C++ 漏洞的 SEC-Bench 上修复 220 个，成功率 73%；其中 90 个成功案例涉及多文件修改，明显高于通用修复 agent。