1. StagedWorkspace: A Versioned Workspace for Knowledge-Work Agents

推荐理由： 这篇把 coding agent 已经比较熟悉的 repository state contract 推广到文档、表格、幻灯片、PDF 和混合文件工作区。核心问题很实际：Agent 搜索时看到的 parsed view、真正编辑的 native file、review 时看的 diff，以及最终提交的 artifact，可能并不是同一个版本。StagedWorkspace 的思路是把 workspace state 本身变成 Agent runtime 的一等公民，而不是默认文件系统永远一致。

核心要点：

  • 提出 workspace-state contract：parsed search、native operations、review diff 和 submission 都必须显式绑定到具体 workspace version；系统用 native file 的 content hash 绑定解析记录和 diff，防止 Agent 基于旧证据修改新文件，或提交与推理证据不一致的产物。
  • 在固定 harness 的 OfficeQA Pro / APEX-Agents ablation 中，同时提供 parsed + native 双视图在所有受测模型上都有最高点估计；相对受限的单视图，OfficeQA Pass@1 提升 8.3–12.1 个百分点，APEX mean rubric score 提升 4.7–9.2 个百分点。作者的 SW-AGENT 在同模型比较下也显著高于已发布结果。
  • 对 57 个 file-editing tasks 的 paired ablation 显示，让 Agent 看得到 diff 本身就是能力变量。这说明知识工作 Agent 不应该只拥有“文件读写工具”，还需要 staged edits、versioned evidence、reviewable diff 和明确 submission state，形成类似 Git 的工作区语义。

2. On the Fragility of Self-Improving Agents: Variance, Task Order, and Underspecification

推荐理由： 这是对“Agent 会通过 memory 越用越聪明”这个直觉的重要压力测试。作者重新评估 Agent Workflow Memory 和 ReasoningBank，发现 self-improvement loop 不只是积累经验，也会积累随机性、错误归因和环境误解。对任何准备做长期 memory / skill evolution 的 Agent 系统都很有警示意义。

核心要点：

  • 在多次重复实验中，加入 self-improvement memory 后，24 个比较中的 17 个（约 71%）运行方差变大，同一实验最好与最坏 run 的差距最高可到约 10 个百分点。原因是 memory state 有路径依赖：早期一次随机成功或失败，会改变之后写入和检索的经验。
  • 任务顺序是一个隐藏变量。默认 benchmark 顺序带有明显的 easy-to-hard curriculum；ReasoningBank 在默认顺序上平均表现是 +1.5%，随机打乱任务后反而变成 -4.5%。真实用户请求不会按课程表出现，因此只在固定顺序下展示“持续进步”很可能高估了系统稳定性。
  • 错误 memory 的根源之一是 underspecification：memory writer 不知道环境不能调用 API、不能请求用户确认，或者误解了模糊任务，于是把“看起来合理但不可执行”的策略写进长期记忆，随后反复传播。加入 rubric、环境反馈和更明确的 memory prompt 后，只追回了约 31% 的 shuffled-order 性能损失，说明 self-improving agent 需要 memory validation、provenance 和多 run / 多 order eval，而不只是继续堆经验。