ALE 用真实专业工作流测试 AI Agent，重点不是会不会答题，而是能不能在电脑里把事做完。

把 AI Agent 的重点从提示词推进到可验证、可停止、可复用的循环设计。

这篇论文把 AI Agent 的 skill 从“提示词技巧”拉回到工程资产：可复用、会老化、会产生债务，也需要版本、测试和维护。

评测模型与运行外壳的配对结果，别再把 agent 能力只归因于模型。

AgentFlow 把 agent 的规划器放回真实多轮循环里训练，是 agent 工程从“会调工具”走向“会改进调工具方式”的一个清晰样本。

这篇报告分析 Code as Agent Harness：为什么代码正在从 agent 的输出物，变成承载状态、执行反馈、工具治理和多 agent 协作的运行层。