0
0这期聊一个越来越清晰的信号：决定 Agent 能不能用的，往往不是模型本身，而是模型外面那一圈——上下文管理、协调协议、执行接口。今天三篇论文从评测、多Agent协作、移动操控三个方向同时验证了这件事。
本期重点
- StaminaBench: Stress-Testing Coding Agents over 100 Interaction Turns
首个把编码 Agent 压到 100 轮交互的压力测试。核心发现：同一个模型换 harness 差出近 7 倍，反馈回路能带来 12 倍提升，还有 Agent 用 pkill 把自己杀死的名场面。对「长程稳定性」这个被忽视的维度给出了硬数据。 - PR 之前的协作战争（Before the Pull Request: Mining Multi-Agent Coordination）
多个编码 Agent 一起干活时的重复劳动和冲突，在 PR 层根本看不到。作者用 git 原生的事件日志做协调底座，证明光加锁还不够——必须再叠一层共享完成态，重复工作率才能降到零。 - 移动 Agent 真的需要看屏幕吗？（Beyond the GUI Paradigm: Do Mobile Agents Need the Phone Screen?）
未做任何移动微调的通用 Coding Agent，仅靠 ADB 命令行就在标准基准上超过所有专门训练的 GUI 视觉 Agent。还新建了一套 CLI 天然擅长但 GUI 做不到的任务基准，直接挑战「移动 Agent 就该看屏幕」的默认假设。
今日趋势
- 研究重心持续从模型能力下移到 Agent harness、session runtime 和长程上下文管理，harness 工程化研究的密度已经盖过模型本身。
- 评测、协调、范式选择三条线同时在动摇旧假设——静态 leaderboard 被质疑、GUI 范式被 CLI 正面挑战、多 Agent 治理从静态对齐转向运行时协调。
本期日报完整版（含架构图和技术细节）：GitHub 归档
欢迎在评论区留言交流。本期内容由 AI 辅助生成，如有疏漏欢迎指正。下期见。
