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。

CorpusMap 離線把反覆出現的實體解析成 Entity Page 並連到文件，讓 agent 沿連結搜尋：整體品質比直接搜原始文件高 6.4 到 11.7 分，輸入 token 少 34% 到 57%。

ParseBench 把 PDF 解析的評分從「文字像不像」改成「agent 能不能直接拿去用」，表格評分的點子值得借鏡，但廠商自家出題的排行榜數字要打折來看。

SELF-INDEX 讓 LLM 自己找出索引哪裡寫不好、只修有問題的文件，並驗證通過才寫入。工程價值高，但裁判與生成者是同一顆模型，可信度仍有缺口。