智能体 · Skill · MCP

MCP 故障下规模不带来容错，分数降 60%

揭示能力基准会掩盖工具故障下的脆弱性，提示 MCP 智能体需框架级错误处理与故障注入评测。

首个agent握手基准：MCP 3次往返230 ms，A2A 1次往返61.0 ms

量化了agent协议握手开销与元数据读取成本，为协议选型和上下文预算优化提供首个实测基准。

验证式优化在 189 个参考实现中为 156 个生成更快已证明重写

将程序优化与机器可检查等价证明结合，以现有实现为规范，避免测试被智能体利用，为生产级验证优化提供路径。

首个任务锚定推理实证研究：400 条轨迹中 9.6% 原子论断有错，two thirds 错误补丁可追溯

指出 CoT 中少数错误论断直接导致补丁缺陷，修正后 89.0% 关联缺陷被修复，为诊断和修复编码智能体失败提供具体信号。

ClawMMU 为 LLM 智能体长期记忆加来源标签，阻止隐藏指令提权

为有状态智能体的记忆来源与权限治理提供可落地防护思路，帮助缓解提示注入和工具结果投毒。

MAS-Guard提出统一护栏框架，覆盖单智能体与多智能体LLM系统

多智能体系统权限分散、角色异构，统一护栏有利于工程化防护；可覆盖可插桩与不透明智能体。

COMPASS 路由：DeepSWE 准确率 78.1%

无需训练路由权重即可依据性能与成本证据选模型，对多模型编排和成本控制有直接参考价值。

企业多智能体知识层：241 个仓库、100+ 缺陷根因，先组织后检索使消歧结构化

给出可落地的企业 RAG 知识层方案：用人工产物级本体和元数据在检索前消歧，避免扁平向量检索在跨服务规则上的混淆，适合 SDLC 智能体团队。

RoleFlow 在 7 基准平均最优，超最强对手 4.7 分

提出 SECPO 对结构编辑做因果信用分配，使多智能体协作可自进化；跨基准泛化验证，对自适应 Agent 编排有参考价值。