一分钟读论文：《StructAgent：用因果结构驾驭长程数字Agent》
一分钟读论文：《StructAgent：用因果结构驾驭长程数字Agent》
一分钟读论文：《Omni-Decision：一种面向全模态问答的渐进式证据状态Agent系统》
In AI, Engineering, 1 min read
一分钟读论文：《Interaction Scaling：测试时计算的第三维度》
In AI, 1 min read
一分钟读论文：《异构智能体群体：用角色分离解决安全与创造力的困境》
In AI, Research, 1 min read一分钟读论文：《Scratch Copilot：用 AI 支持青少年创意编程》
Google DeepMind 研究科学家和华盛顿大学教授合作的一篇论文《Scratch Copilot: Supporting Youth Creative Coding with AI》，首次提出了专门为儿童设计的 AI 编程助手——Scratch Copilot，这是一个集成在类 Scratch 环境中的 AI 助手，为青少年提供创意编程支持。
Read More一分钟读论文：《被掏空的一天：软件工程师的日常》
作为团队的 Leader，如何通过改进流程和⼯具，并最终提⾼团队⽣产⼒呢？可以参考微软研究院和英国伦敦大学、瑞士苏黎世大学信息学系合著的论文《Today was a Good Day: The Daily Life of Software Developers》。该论文分析了微软工程师的5,971份问卷结果，发现工程师「良好」和「典型」的工作日是怎么样，并总结了使良好的工作日成为典型的建议：
Read MoreAll
一分钟读论文：《Omni-Decision：一种面向全模态问答的渐进式证据状态Agent系统》
Meta AI的研究团队在2026年7月13日提交的论文《Omni-Decision: A Progressive Evidence-State Agent System for Omni-Modal QA》提出了一种将证据状态管理作为Agent核心控制机制的新方法。传统多模态推理Agent的决策过程高度隐式，难以追踪从信息收集到最终答案之间的因果关系。Omni-Decision通过为每个查询维护结构化状态——包含确认证据、未解决冲突、事实与计算依赖关系以及开放证据需求——将内部推理转化为可检查、可追踪的显式表示。该方法训练无关，可直接应用于现有Agent系统。
In AI, Engineering, 1 min read
一分钟读论文：《Interaction Scaling：测试时计算的第三维度》
Pine AI 和华盛顿大学合作的一篇论文《Think Through a Bottleneck: Interaction Scaling — Grounding the Third Axis of Test-Time Compute》（https://arxiv.org/abs/2607.11598）提出，推理时计算的缩放存在三个正交维度：推理缩放、采样缩放和交互缩放。前两者受数据处理不等式限制存在”内部天花板”，交互缩放通过引入外部仪器观测打破了这一限制。
In AI, 1 min read
一分钟读论文：《Remember When It Matters：长程Agent的主动记忆干预》
Meta AI的研究者发表的论文《Remember When It Matters：长程Agent的主动记忆干预》，提出了一种将Agent记忆从被动检索转变为主动干预的全新范式。在长程任务中，决策相关信息虽然存在于对话历史或上下文窗口中，但不再可靠地影响后续决策——作者称之为行为状态衰减。该研究通过双Agent架构和选择性干预机制，在Terminal-Bench 2.0上将Claude Sonnet 4.5的表现从37.6%提升至45.9%，增幅达8.3个百分点。
In AI, 1 min read
一分钟读论文：《OPINE-World：程序化世界模型与本体论误差引导的交互探索》
加州大学圣地亚哥分校和OpenAI的研究者发表的论文《OPINE-World：程序化世界模型与本体论误差引导的交互探索》，提出了一种让LLM Agent通过程序化世界模型在未知环境中主动学习的新范式。该研究在ARC-AGI-3基准测试中，OPINE-World在25个游戏中无需针对每个游戏单独训练即可解决20个，达到78.4的动作效率分数（以人类基线为参照）。
In AI, Engineering, 1 min read
一分钟读论文：《失败是一个过程：CLI编码代理轨迹解剖》
清华大学和阿里巴巴达摩院合作的一篇论文《Failure as a Process: An Anatomy of CLI Coding Agent Trajectories》，首次将CLI编码代理的失败建模为时间过程而非静态标签。通过对3843条执行轨迹的分析，论文发现决定性错误的中位发生步仅为第7步，而错误暴露的中位滞后高达10步——这意味着大多数失败在可修复窗口关闭后仍在徒劳地继续执行。
In AI, Engineering, 1 min read
AI 范式雷达：《从并行到递归：WebSwarm的多Agent深度广度协同搜索范式》
上周阿里巴巴达摩院发布了 WebSwarm——一个渐进式递归多Agent搜索框架。在 BrowseComp-Plus、WideSearch、DeepWideSearch、GISA 四个基准测试上，WebSwarm 全面超越单 Agent ReAct 和多 Agent 并行基线。这篇文章将解析 WebSwarm 的核心原理，并带你理解为什么”从并行到递归”是 Web 搜索 Agent 的下一个范式转移。
In AI, ParadigmRadar, 3 mins read
AI 范式雷达：《从原子操作到标准流程：EvoSOP的迭代工具优化》
如果你正在构建或部署 AI 智能体，你可能已经注意到一个令人沮丧的模式：同一个 Agent 框架，跑十个任务可能要用掉二十种不同的工具组合。文件读写、网页搜索、代码执行——这些原子操作被硬编码在系统提示里，Agent 每次面对新任务时都要重新发明轮子，把同样的低级逻辑重复编排一遍。中国人民大学和阿里巴巴集团的研究者 Haipeng Ding、Yuexiang Xie 等人最近发表的论文《From Atomic Actions to Standard Operating Procedures: Iterative Tool Optimization for Self-Evolving LLM Agents》提出了一种根本性的范式转移：不再让 Agent 反复调用原子操作，而是将重复的工作流合成为可复用的标准操作流程（SOP），并通过构建、合并、评估、剪枝的迭代生命周期持续优化工具集。这篇文章将带你理解这个框架的核心原理、实际效果以及它可能带来的工程影响。
In AI, ParadigmRadar, 4 mins read
一分钟读论文：《CompactionRL——将上下文压缩引入强化学习》
本文讨论的论文是 CompactionRL: Reinforcement Learning with Context Compaction for Long-Horizon Agents，arXiv:2607.05378，由清华大学（Tsinghua University）的 Yujiang Li、Zhenyu Hou、Yi Jing、Jie Tang 和 Yuxiao Dong 五位研究者完成。论文链接：arXiv:2607.05378
In AI, RL, 1 min read
Featured
-
一分钟读论文：《Scratch Copilot：用 AI 支持青少年创意编程》推荐
In AI, 编程教育, -
一分钟读论文：《技术债的普遍性、原因和影响：业界系统调查》推荐
In Engineering, Architecture, -
一分钟读论文：《玩转 GitHub 开源软件社区的必备技能树》推荐
In OpenSource, Engineer, -
一分钟读论文：《ChatGPT 提示模式：提高代码质量、重构、需求获取和软件设计》
In AI, Engineering, Engineer, -
一分钟读论文：《用 Rust 和 WebAssembly 补充 JS 实现高性能 Node、Web 应用程序》
In Architecture, Performance, -
一分钟读论文：《通过反思性目标设定培养工程师的好习惯》
In Engineer, Productivity, -
一分钟读论文：《卓越的开源维护者是如何成就的？》
In OpenSource, Engineer, -
一分钟读论文：《我们走了多远——WebAssembly 运行时的全面特征研究》
In FrontEnd, -
一分钟读论文：《XSS 攻击22年：全面调查及系统综述》
In Security, -
一分钟读论文：《细孔沉千帆：小程序权限漏洞研究》
In Security, -
一分钟读论文：《影响大规模敏捷软件开发按时交付的因素》
In Productivity, -
一分钟读论文：《被掏空的一天：软件工程师的日常》
In Productivity, Engineer, -
一分钟读论文：《30年软件重构研究：系统性文献综述》
In Engineering, -
一分钟读论文：《要不要上 TypeScript？GitHub 上 JS 和 TS 应用软件质量的系统比较》
In FrontEnd, -
一分钟读论文：《NPM 供应链的软肋是什么?》
In Security,