RedAct 屬於框架類項目，核心作用是替 agent traces 做選擇性改寫，讓外界仍看得到審核需要的證據，例如工具呼叫、執行次序、中間決策與最終輸出，但較難直接重建可重用的 procedural skills。這個方向切中 Computer-use agents 與其他代理系統常見矛盾：透明度愈高，營運 know-how 愈容易流出。

這個項目由香港科技大學與中國科學院大學研究人員合作開發，作者包括 Shuwen Xu、Zhitao He 與 Yi R. (May) Fung。團隊關注的是 tool-using agents 公開執行軌跡後的安全問題：紀錄能幫人追查錯誤，但同時可能把公式、門檻值、工具選擇與驗證流程一併暴露。

如果想進一步了解，最直接是先看論文與 CapTraceBench 的設定，再對照自己團隊有沒有公開 trace、審計留痕或第三方驗證需求。項目現階段重點在研究驗證，不是即裝即用型產品，所以較適合安全研究、代理平台、企業內部治理與學術實驗場景。

• 保留 auditability：輸出、工具使用證據、執行順序與 verifier 需要的欄位仍可保留
• 加入 protection：公式、thresholds、implementation details、tool dependencies、private heuristics 會被抽象化或隱去
• 提供 provenance 能力：可選 behavioral watermark hooks，方便分析下游是否重用行為模式
• 配套基準 CapTraceBench：涵蓋 75 個 long-horizon tasks、154 個 curated skills、7 個領域

這項目特別之處在於它不是把整段軌跡直接遮掉，而是把「需要審核的內容」與「可複製的技能細節」拆開處理，再加上 behavioral watermarks 做來源分析。論文數字亦頗具說服力：在代表性的 trace reuse 方法下，REDACT 將 normalized skill transfer (NST) 由原始軌跡的 44.7% 至 67.1%，壓到低於 no-skill baseline；獨立 watermark 偵測的 true detection 達 93.6% 至 100.0%，false alarm rate 最多 1.9%。

相關內容不只包括 RedAct，也包括用來測試外洩風險的 CapTraceBench，以及文中聚焦的 agent traces、procedural skills、behavioral watermarks、black-box trace disclosure 等概念。若你的項目需要公開代理操作紀錄，又不想把核心流程白白送出去，這個研究值得細看；若你要的是完整產品化流程，現時資料仍較偏研究原型。

GitHub： https://github.com/XuShuwenn/RedAct

Paper： https://arxiv.org/pdf/2606.10813

這項文章由騰訊優圖實驗室、清華大學、中山大學、中南大學及伊利諾大學芝加哥分校的研究團隊共同撰寫，提出一個核心觀點：大語言模型（Large Language Models, LLMs）正從「聊天機械人」邁向「數碼同事」，關鍵差異在於能否持續完成工作，而非只給出對話式回應。

團隊將這個轉變拆成兩個互相牽引的維度。第一個是「認知核心」的進化：LLMs 從依賴下一個詞預測的「快思維」，走向會運用推理時間計算、長思維鏈（Chain-of-Thought）、反思及強化學習的「思考型 LLM」，讓推理過程更謹慎可靠。第二個是「工具輔助任務執行」的進化：從臨時呼叫外部工具的 Agent，走向類似 OpenClaw 風格的工作站系統，配備持久化的工作區（Workspace）、可重用的技能（Skill）、驗證迴圈及治理機制。

文章特別強調「Workspace + Skill」這個範式是關鍵躍升。它讓原本零散的工具操作，變成像同事般有狀態記憶、可重用流程、能完成任務並累積經驗的工作模式。數據結構也從簡單的指令—回應配對，演進為「狀態—動作—觀察」的軌跡記錄；評估方式則從靜態基準測試，轉向沙盒化、可審計、能自我進化的 AI 生態系統。

這份內容適合關注 AI Agent 發展、想了解 LLM 下一代形態的研究者與產品設計者。讀者可透過項目網站（from-chatbot-to-digital-colleague.github.io）取得完整論文與相關資源。

重點摘要：
– 由騰訊優圖實驗室主導，聯同清華、中山、中南及 UIC 共同研究
– 提出從「聊天機械人」到「數碼同事」的範式轉移
– 認知層面：從快思維走向推理驅動的「思考型 LLM」
– 執行層面：從臨時工具呼叫走向持久化 Workspace + Skill 系統
– 評估方式同步轉向沙盒化、可審計的 AI 生態系統

Paper： https://arxiv.org/pdf/2606.14502

graphify 是一個給 AI coding assistant 用的 skill，能把你的 codebase、文件、PDF、圖片、影片轉成可查詢的 knowledge graph。

它支援多種 AI 工具與 IDE，包括 Claude Code、Codex、Cursor、Gemini CLI、OpenCode、OpenClaw 等。

它較有新意的地方，在於 fully multimodal 與持久化設計同時出現。graphify 會用 Claude vision 從圖片、白板相片、示意圖抽取概念，再跟文字與程式碼內容接起來；同時用 SHA256 cache 只重跑變更過的檔案，令更新流程不會每次由零開始。

• 支援 code、PDF、markdown、screenshots、diagrams、whiteboard photos 等多種輸入
• 輸出不只一種，包含互動圖譜、Obsidian vault、wiki 頁面與報告檔
• 官方描述提到每次查詢可比直接讀原始檔案減少 71.5x tokens
• 提供 --update 與 --mode deep，適合持續整理變動中的資料集

這個項目較適合幾類人：長期維護大型 codebase 的開發者、要整理研究材料的人、會把文件與截圖混在一起存檔的知識工作者。若你的資料本來就很少、結構清楚，它的優勢未必會完全發揮；但對資訊來源分散、跨格式混雜的情境，graphify 顯得相當對症。

性能資料目前公開重點以 token 節省為主，屬於效率導向的訊號，不等於完整基準測試。相關技術與依賴可直接見到 Claude Code、Claude vision、Obsidian，以及知識圖譜輸出流程；若你想為 AI coding assistant 建立可追蹤、可累積的內容索引，這個項目有明顯可試價值。

支援工具表

GitHub： https://github.com/safishamsi/graphify

這個開源項目是一套AI 代理人評測基準，專門用來量度 Computer-use agents（CUAs）在長時間、跨步驟的真實工作流程中表現如何。它的設計目標是讓業界能用同一把尺，去比較 Claude Code、Codex、Openclaw 等不同代理人在真實場景下的能力差距，而不再停留在簡單的問答測試。

ALE 與坊間常見的排行榜最大分別，在於它把任務對齊到美國 O*NET / SOC 2018 職業分類，涵蓋 55 個非實體行業，例如動畫、工程製造、建築設計與神經影像分析等。基準的題目並非由研究員憑空設計，而是由 300 多位業界專家收集並驗證，因此每一條任務都貼近真實工作場景，而且配有隱藏參考答案與確定性評分機制，杜絕模型「走旁門左道」蒙混過關。

在技術架構上，評測框架由三部分組成：代理執行環境（harness） 負責驅動底層基礎模型；虛擬沙箱（sandbox） 模擬真實作業系統環境；任務單元（task） 則以可執行方式描述一項專業工作。目前公開的 150 條任務屬於 1,500 題以上語料庫的子集，整個項目正在朝 5,000 題目標推進。評測時，框架會在雲端建立沙箱、讓代理人完成任務，再以確定性評分器評分，過程全自動化。

測試前需要先在 Google Cloud 完成一次性設定（約 10 分鐘，現有 $300 美元免費額度足以應付），之後即可在自家模型上執行 hello-world 任務以熟悉流程，進一步換成正式任務。這個項目適合 AI 代理人開發者、企業採購團隊、學術研究者，以及任何想用客觀分數比較不同 CUA 表現的人。

• 代理評測基準：專為 Computer-use agents 設計的真實工作流程測試。
• 行業覆蓋廣：對齊 O*NET / SOC 2018，涵蓋 55 個行業，公開 150 條任務。
• 結果可驗證：採用隱藏參考答案與確定性評分器，公平且可重現。
• 雲端沙箱環境：在 Google Cloud 內建立虛擬機重現真實作業流程。
• 社群共創：由柏克萊 RDI 與 300 多位業界專家共同維護。

GitHub： https://github.com/rdi-berkeley/agents-last-exam

項目： https://agents-last-exam.org/

Bayesian-Agent 是一個 Bayesian self-evolving agent framework，更準確地說，它像是疊在代理系統之上的演化層：把已驗證的 agent trajectories 整理成可重用、帶證據權重的 Skills 與 SOPs。它不改動底層模型參數，而是調整推理階段可見的證據、失敗模式與流程選擇，目標是令代理在有限樣本下也能持續修正決策。

這個項目最實用的地方，在於它不要求你由零重建整套系統。文件顯示它支援三種路線：從零開始跑完整任務、接到既有代理後只修補失敗軌跡、以及在不同 execution harness 之間轉接。對手上已有 agent workflow 的團隊來說，這比重新訓練模型更貼近日常維護需要。

v0.5 加入 first-party native harness，內含自己的 LLM loop、workspace tools、三層記憶與 trajectory capture；同時保留 GenericAgent、mini-swe-agent、Claude Code 等 compatibility backends。這表示項目的重點不是綁死某一套框架，而是用可攜的 trajectory schema 和 adapter boundary，令 Skills 演化結果能跨環境沿用。

• 核心定位是 Bayesian Skill Evolution，不是單純聊天模型
• 可把 verified success／failure evidence 轉成可重用 Skills 與 SOPs
• 支援 full-run evolution、incremental repair、cross-harness adaptation
• 內建 Bayesian Evidence Model，亦保留 Beta-Bernoulli backend 作 ablations
• 適合已有代理流程、想減少重試成本與修復失敗任務的團隊

表現方面，公開資訊提到 SOP-Bench、Lifelong AgentBench、RealFin-Bench 的實驗結果，並列出 deepseek-v4-flash 與 deepseek-v4-pro 的 native-harness 測試，但這裡未見完整數字，較穩妥的判斷是：項目已朝可比較、可驗證的方向整理實驗，而不是只停留在概念。若你正管理會反覆執行任務的 agent 項目，尤其需要判斷何時停止、重試或重寫流程，Bayesian-Agent 的價值會比一次性 Demo 更明顯。

GitHub： https://github.com/DataArcTech/Bayesian-Agent

項目： https://dataarctech.github.io/Bayesian-Agent/