深度分析
AI Agent 評估成本困境：解析 LLM Agent 基準測試的「足夠樣本」問題
AI Agent 評估成本高昂，開發者常嘗試使用部分樣本進行測試。本研究透過回溯分析 SWE-bench 等公開基準測試記錄，探討部分運行能否支持與完整測試相同的兩兩比較決策。結果顯示，足夠的樣本比例隨基準測試而異，部分案例甚至在 95% 樣本下仍不可靠。研究指出部分評估需嚴格定義改善門檻、覆蓋規則及決策邏輯，才能有效降低成本而不影響結論。
LLM Agent
深度分析
記憶體架構如何影響 LLM Agent 的語言演化：Lewis 信號遊戲實驗分析
研究探討 LLM Agent 如何在信號遊戲中從零開始創造共享語言。研究人員對比五種記憶體架構，發現記憶體架構對協調成功的影響力遠高於頻道容量。具備持久性私有筆記本的 Agent 能將互動歷史轉化為穩定的約定，避免在容量過高時性能崩潰，而僅依賴滾動視窗的無狀態 Agent 則在容量增加時表現下滑。此結果顯示記憶體架構是決定 LLM Agent 能否成功建立穩定語言系統的關鍵因素。
VulnClaw
VulnClaw：結合 AI 代理人與 Model Context Protocol 的全自動滲透測試工具
VulnClaw結合LLM與MCP工具鏈，支援多家模型供應商，能以自然語言自動完成資訊收集、漏洞偵測、利用與報告生成，快速在授權測試與教學場景中提升效率。此工具內建21種滲透Skill，提供Python程式碼執行與本地Web UI，並可設定持續循環測試，對安全團隊與CTF參賽者具實務價值。
深度分析
T-STAR 框架：將推理路徑轉化為認知樹，解決 AI 代理人獎勵稀疏問題
針對 AI 代理人在複雜推理中面臨的獎勵稀疏挑戰，T-STAR 框架提出將推理路徑由「鏈」轉化為「樹」，透過認知樹結構與手術式策略優化，精確定位關鍵錯誤並修正推理行為，顯著提升 LLM 在多輪對話與長鏈推理任務中的表現。