AI Agent 论文播报｜0501：合成电脑、沙箱容错与 MCP 数据泄漏

Agent 的瓶颈正从"模型聪不聪明"转向"脚底下的基础设施扎不扎实"。今天三篇重点论文分别砸在训练环境、运行时容错和多工具安全三个点上，值得做 Agent 系统的人认真听一遍。

本期重点

• 大规模合成电脑（Synthetic Computers at Scale for Long-Horizon Productivity Simulation）——不只合成任务，而是合成一整台带文件历史和协作记录的用户电脑，再用双 Agent 跑一个月仿真，产出过程轨迹和交付物双重训练信号。直接戳中 computer-use Agent 最缺的数据瓶颈。
• Crab：语义感知的 Agent 沙箱快照恢复运行时（Crab: A Semantics-Aware Checkpoint/Restore Runtime for Agent Sandboxes）——用 eBPF 在内核层观察每轮净变化，把 checkpoint 分四档做，再利用 LLM 推理等待窗口异步完成存档。64 个 sandbox 同跑时，checkpoint 延迟只占 0.44%，崩溃恢复后端到端仅慢 1.9%。
• MCPHunt：多服务器 MCP Agent 跨边界数据传播评测框架（MCPHunt: An Evaluation Framework for Cross-Boundary Data Propagation in Multi-Server MCP Agents）——在没有攻击者的情况下，Agent 老老实实执行任务，仍会以 11.5%–41.3% 的概率把凭证搬错地方。最关键发现：62% 的风险由数据流路径决定，而非模型身份；光靠 prompt 提醒不靠谱，编排层污点守卫才能稳住。

今日趋势

1. Computer-use 方向从"刷任务"升级到"造整台电脑 + 长程工作流"，合成环境成为 Agent 训练和 RL 的新底座。
2. Agent 运行时、sandbox 容错、MCP 安全评测等 harness 层工作密度明显上升——单一成功率不再够用，轨迹级和结构级评测正在成为标配。

知识点：Harness 是什么？

Harness 是把任务定义、运行环境、输入输出协议、评测脚本和执行日志统一封装起来的 Agent 实验底座。它决定的不是一次漂亮分数，而是不同模型、工具链、防御策略能否在同一套协议下被公平、可复现地比较。今天三篇论文本质上都在重做 harness 的某一层。

以上内容由 AI 自动生成，如有疏漏欢迎留言指正。也欢迎在评论区聊聊你对 Agent 基础设施的看法——你的 Agent 有一台像样的电脑去上班吗？