LLM agent 最怕訂錯票、太早放棄。IBM 的 JevAct 在 agent 執行前加一道閘門：把政策事先編成程式檢查與 yes/no 題，交給便宜的 Kev 決策模型判斷，只在有把握時擋下。本文拆解它的機制，以及實驗裡增益多來自程式、101 個錯誤呼叫有 42 個抓不到的真相。

LLM agent 跑久了 context 一定會爆，多半由 harness 用固定規則摘要。Context Language Models（CLM）把模型的 context 鏡像成一個檔案，讓模型用 Bash 想改哪裡就改哪裡。32K 的緊預算下，27B 現成模型零樣本就以較低成本達到相當或稍好的準確率；但論文摘要的大數字多是相對值，本文逐項換回絕對值。

企業 agent 常是每個團隊一個 subagent，再疊一個 orchestrator，但每次交接都是一次有損摘要。整理 Anthropic 的做法：單一 agent loop 搭配按需載入的 skills 與 tools、用 eval 分階段折疊，以及 Conway's law 為什麼讓 agent 長成組織圖。

LLM agent 做長任務時，成敗常取決於中途的決策，評測卻只看最後有沒有做完。The Tasteful Agent 把同一任務分歧的嘗試變成二選一考題，造出 502 題 Taste-Bench：14 個前沿模型最高只有 59.7%，隨機猜是 25%；把偷看答案的老師蒸餾給學生，準確率從 30.0% 升到 47.9%。

data agent 每次任務都得重新摸索資料長什麼樣子。EvoOntology 在 agent 與資料之間加一層可查詢、會自我修補的 ontology：DDR-Bench 六個 backbone 平均 +17.8 分，把 semantic layer 整包塞進 prompt 反而退步，但換模型就得重新演化。

AI Agent 做長任務常重複無效動作。Procedural Graphs 把做事流程存成可編輯的圖，24 格中 23 格勝過無記憶 ReAct，但 HotpotQA 幾乎沒進步，手寫專家圖在 MultiChallenge 上還可能讓成績崩盤。

自我演化的 agent 只會往 skill 檔案裡加內容。SkillZip 把重複的規則收斂掉，不用任何任務驗證，平均壓縮 31.2%，但準確率與比較對象有幾個要打折的地方。