#agent
5 篇文章
CliffCompaction: Cost-Efficient Context Compaction for Long-Horizon Coding Agents
CliffCompaction 是一種專為長任務程式碼 Agent 設計的自動壓縮技術，透過「僅刪減、不重寫」的策略與單次壓縮機制，在降低高達 50% token 成本的同時，顯著提升長對話與測試時擴展的效率。
SWE-Serve: Benchmarking Agentic Engineering for Production Inference Serving
SWE-Serve 是一個新型基準測試，包含來自 SGLang 的 53 個真實任務，旨在評估 AI Agent 在複雜推論伺服器架構中的程式碼實作與「生產環境正確性」。
Hijacking MCP Agents: How A2M Exposes Semantic Supply-Chain Risks
這項研究提出名為 A2M 的雙階段黑箱攻擊框架，揭示了使用 Model Context Protocol (MCP) 的 AI Agent 面臨的語意供應鏈風險，並呼籲業界加強工具審查與隔離機制。
Grow the Harness, Not the Context: Building Low-Cost Specialist Agents via Failure-Guided Code Synthesis
Growing Harness 是一種新型的 Agent 訓練範式，它不依賴大模型在 context 中重複進行控制決策，而是透過失敗導向的程式碼生成與修復，將重複的控制邏輯固化為可執行的程式碼框架，使 4B 小模型也能發揮媲美大模型的效果，並降低高達 98% 的推論成本。
Meta Introduces Muse Image and Muse Video: Advancing Media Generation with Agentic Tools and Compute Scaling
Meta 推出最新影像生成模型 Muse Image 與影片模型 Muse Video，首次將 Agentic 工具調用、自我修正和推理期算力擴展引入多媒體生成領域。