26年4月来自美国Kean大学、Norte Dame大学和南佛罗里达大学的论文“HadAgent: Harness-Aware Decentralized Agentic AI Serving with Proof-of-Inference Blockchain Consensus”。工作证明（PoW）区块链共识机制消耗大量计算资源却无法产生有效输出，而大语言模型（LLM）智体的快速增长又对GPU

26年4月来自哈工大、Heriot-Watt大学马来西亚分校和苏州大学的论文“Harnessing Embodied Agents: Runtime Governance for Policy-Constrained Execution”。具身智体正迅速从被动的推理系统演变为主动的执行者，能够与工具、机器人及物理环境进行交互。尽管近期的进展显著提升了规划、工具使用及长周期任务执行的能力，但也暴露出

26年1月来自智元机器人的论文“Genie Sim 3.0 : A High-Fidelity Comprehensive Simulation Platform for Humanoid Robot”。开发稳健且可泛化的机器人学习模型，关键在于能否获得大规模、多样化的训练数据和可靠的评估基准。在物理世界中收集数据成本高昂且面临可扩展性挑战，而现有的仿真基准通常存在碎片化、范围狭窄或保真度不足等问

25年1月来自Georgia Tech、USC、德国 Tech U Munich、Google DeepMind、AI2、Florida IHMC、Duke U、Stanford、法国 CNRS LIRMM、法国 CNRS 和日本 AIST 联合实验室、加拿大 Simon Fraser U、Texas Austin、Nvidia、CMU 和哈工大的论文“Humanoid Locomotion an

26年4月来自哈工大、Heriot-Watt大学马来西亚分校和苏州大学的论文“AEROS: A Single-Agent Operating Architecture with Embodied Capability Modules”。机器人系统缺乏一种具有原则性的抽象机制，无法以统一的方式组织智能、能力和执行过程。现有的方法要么将技能紧密耦合在单体架构中，要么将功能分解为协调松散的模块或多个智体

26年4月来自哈工大、Heriot-Watt大学马来西亚分校和苏州大学的论文“AEROS: A Single-Agent Operating Architecture with Embodied Capability Modules”。机器人系统缺乏一种具有原则性的抽象机制，无法以统一的方式组织智能、能力和执行过程。现有的方法要么将技能紧密耦合在单体架构中，要么将功能分解为协调松散的模块或多个智体

26年4月来自Dream X公司团队的论文“SkillClaw: Let Skills Evolve Collectively with Agentic Evolver”。大语言模型（LLM）智体（例如 OpenClaw）依赖于可重用技能来执行复杂任务，然而这些技能在部署后往往保持静态。因此，用户之间会反复发现类似的工作流程、工具使用模式和故障模式，从而阻碍系统通过经验进行改进。虽然不同用户的交互

2026年3月来自斯坦福、韩国公司krafton和MIT的论文“Meta-Harness: End-to-End Optimization of Model Harnesses”。大语言模型 (LLM) 系统的性能不仅取决于模型权重，还取决于其驾驭（harness）：即决定存储、检索和呈现给模型信息的代码。然而，驾驭（harness）的设计仍然主要依赖人工，现有的文本优化器由于过度压缩反馈而难以适

26年3月来自韩国汉阳大学的论文“Harness Engineering: A Governance Framework For AI-driven Software Engineering”。驾驭工程（Harness Engineering）——即将机器可执行的架构约束嵌入开发工具链中的实践——已在探索AI-驱动的软件工程各个组织中独立出现，但缺乏共享的分析词汇或正式定义。本文提供一个初步的概念

26年4月来自清华大学、阿里公司和蚌埠大学的论文“HELM: Harness-Enhanced Long-horizon Memory for Vision-Language-Action Manipulation”。尽管视觉-语言-动作 (VLA) 模型在短时域任务中表现出色，但在长时域操作任务中却系统性地失败。在当前的反应式执行设置下，仅通过延长上下文长度并不能解决这一问题：它源于执行循环中的