diff --git a/SESSION-HANDOFF.md b/SESSION-HANDOFF.md
index 911d011e9..5c0c4e20b 100644
--- a/SESSION-HANDOFF.md
+++ b/SESSION-HANDOFF.md
@@ -2,24 +2,26 @@
 
 > 状态：当前接班入口。旧的批量生产 session 快照已失效，不得用于恢复自动循环；持续运行使用只读 supervisor + 有界 writer epoch。
 
-## 2026-07-14 论文生产与部署 Epoch Contract
+## 2026-07-14 新增 4 篇论文与部署 Epoch Contract
 
 - status：`running`
-- objective：在当前用户明确授权下，新研究并发布 5 篇公开 arXiv 论文笔记，覆盖 agent planning、SWE skills、context engineering、MCP tool use、computer-use benchmark 五条相邻主线。
-- scope：允许新增 `src/content/docs/papers/*.md`、`data/review-receipts/papers/*.json`，以及由构建/atlas/索引/部署门禁确定性更新的派生文件；不改既有笔记正文，不恢复旧批量循环，不修改 policy/threshold。
-- activated_by：`explicit-user-request-2026-07-14-new-5-papers-full-deploy`
+- objective：在当前用户明确授权下，新研究并发布 4 篇公开 arXiv 论文笔记：`OSWorld`、`ToolBench-X`、`MemGym`、`SWE-Bench-CL`，补齐 agent 环境、工具可靠性、长程记忆与 SWE 持续学习四条主线。
+- scope：允许新增 `src/content/docs/papers/*.md`、`data/review-receipts/papers/*.json`，以及由 atlas / note-index / 公开计数文案 / handoff / 部署门禁确定性更新的文件；不改候选队列，不改 policy/threshold，不改旧论文正文语义。
+- activated_by：`explicit-user-request-2026-07-14-new-4-papers-full-deploy`
 - review_after：`2026-07-14`
 - acceptance_checks：
   - `source "$HOME/.nvm/nvm.sh" && nvm use 22.23.1 >/dev/null && npm run status:supervisor`
-  - `source "$HOME/.nvm/nvm.sh" && nvm use 22.23.1 >/dev/null && STUDY_CHANGED_FROM=<base> npm run verify:ci`
+  - `source "$HOME/.nvm/nvm.sh" && nvm use 22.23.1 >/dev/null && node scripts/quality-gate.mjs src/content/docs/papers/{osworld,toolbench-x,memgym,swe-bench-cl}.md`
+  - `source "$HOME/.nvm/nvm.sh" && nvm use 22.23.1 >/dev/null && npm run audit:content-contract`
+  - `source "$HOME/.nvm/nvm.sh" && nvm use 22.23.1 >/dev/null && STUDY_CHANGED_FROM=f487efbcd135faf1e1de9fcd2ccf043437a244fe npm run verify:ci`
   - `git diff --check`
-  - GitHub PR/merge/deploy checks for the final pushed branch.
-- budget：最多 2 个内容小批次（按政策拆为 4 + 1）、5 篇新增 paper、1 个可写切片、1 个本地 writer、1 次部署窗口。
-- external_outcome：5 篇新增论文笔记进入公开 study 站点，并通过 GitHub Pages 线上部署验收；验证状态保持 `UNVERIFIED`，不声明人工审阅或真实执行复现。
-- stop_conditions：规范 Node/npm 不可用；内容契约或红线审计失败且无法在本 scope 内修复；需要修改 policy/threshold、旧正文、候选队列或隐私敏感内容；远端 CI/Pages 连续失败且需要新权限；用户停止。
+  - GitHub PR / merge / Pages deploy checks for the final pushed branch.
+- budget：1 个内容小批次、4 篇新增 paper、1 个可写切片、1 个本地 writer、1 次部署窗口。
+- external_outcome：4 篇新增论文笔记进入公开 study 站点，并通过 GitHub Pages 线上部署验收；验证状态保持 `UNVERIFIED`，不声明实际运行论文 benchmark。
+- stop_conditions：规范 Node/npm 不可用；内容契约或红线审计失败且无法在本 scope 内修复；需要修改 policy/threshold、候选队列或隐私敏感内容；远端 CI/Pages 连续失败且需要新权限；用户停止。
 - superseded_by：`none`
 
-## 当前接班点
+## 上一轮接班背景（保留历史）
 
 - supervisor 状态：`WAIT_HEALTHY`；`scale-budget-exceeded` 已通过批准的 legacy audit review 聚合迁移解除，当前无 hard blocker。
 - scope：launch scope 内的本地 workflow 文档、测试、审计、工具链和站点非内容代码质量维护。
@@ -48,6 +50,26 @@
 - 下一条命令：`source "$HOME/.nvm/nvm.sh" && nvm use 22.23.1 >/dev/null && npm run status:supervisor`；PR 状态用 GitHub API 或浏览器查看 `https://github.com/estelledc/study/pull/26`。
 - 下一位独立 agent 必须先读 `AGENTS.md`，建立 supervisor / epoch contract；不得自动恢复旧数量循环。
 
+## 当前接班点：2026-07-14 4 篇论文本地执行状态
+
+- 起始 ref：`f487efbcd135faf1e1de9fcd2ccf043437a244fe`（origin/main，PR #29 merge commit）。
+- 当前分支：`study/papers-20260714-four-more`。
+- dry-run 结果：`npm run round:dispatch -- --rewrite 0 --new 4 --dry-run` 因 `papers-new short: got 0, need 2` 被阻止；本轮未修改候选队列，改走显式授权的手工 Publication 路径。
+- 已完成切片：
+  1. 规范工具链下 `status:supervisor` 从 Node 版本 blocker 恢复到 `WAIT_HEALTHY`；
+  2. 新增 4 篇 `study-v2` paper note，均为 `STATIC_ANALYSIS` / `UNVERIFIED`；
+  3. 新增 4 个 `study-review-receipt-v1` 静态 review receipt，receipt digest 已通过 `verifyReceiptAgainstNote` 校验；
+  4. `npm run atlas` 刷新 `data/note-index.json`、`papers-atlas.md` 与 agent 主题 atlas chunk；
+  5. 同步公开规模文案：论文 1023、项目 961、总数 1984。
+- 本地已通过：
+  - `node scripts/quality-gate.mjs` 针对 `osworld`、`toolbench-x`、`memgym`、`swe-bench-cl` 四篇；
+  - `npm run audit:counts`；
+  - `npm run audit:content-contract`；
+  - `git ls-files -co --exclude-standard -z | node scripts/audit-public-redlines.mjs --stdin0`；
+  - `npm run build:strict -- --log /tmp/study-build-check.log`；
+  - `git diff --check`。
+- 剩余动作：提交当前变更，提交后重跑 `STUDY_CHANGED_FROM=f487efbcd135faf1e1de9fcd2ccf043437a244fe npm run verify:ci`，随后推送分支、创建 PR、合并并等待 Pages deploy。
+
 ## 当前政策
 
 - 不以内容总数作为本轮目标。
diff --git a/data/note-index.json b/data/note-index.json
index b07f815dc..92d87edab 100644
--- a/data/note-index.json
+++ b/data/note-index.json
@@ -3,16 +3,16 @@
   "taxonomy_version": "taxonomy-v1",
   "stats": {
     "summary": {
-      "total": 1980,
-      "classified": 1933,
+      "total": 1984,
+      "classified": 1937,
       "unclassified": 47,
       "unknown_difficulty": 1975,
       "empty_description": 1970
     },
     "by_area": {
       "papers": {
-        "total": 1019,
-        "classified": 1000,
+        "total": 1023,
+        "classified": 1004,
         "unclassified": 19,
         "unknown_difficulty": 1014,
         "empty_description": 1013
@@ -19237,6 +19237,38 @@
         "chunk_route": "/study/atlas/papers/topic-papers-agents-and-llm-systems-01/"
       }
     },
+    {
+      "id": "papers::memgym",
+      "area": "papers",
+      "slug": "memgym",
+      "title": "MemGym — 给长程 agent memory 做一间健身房",
+      "description": "用 MemGym 区分聊天记忆、执行记忆和可迁移的 agent 经验。",
+      "difficulty": "intermediate",
+      "canonical_topics": [
+        "papers-agents-and-llm-systems"
+      ],
+      "classification": {
+        "state": "classified",
+        "source": "frontmatter-category",
+        "topic_id": "papers-agents-and-llm-systems",
+        "matched_category": "agent",
+        "raw_category": "AI Agent / Memory"
+      },
+      "trust": {
+        "contract_state": "v2",
+        "verification_status": "UNVERIFIED"
+      },
+      "freshness": {
+        "state": "NOT_EVALUATED",
+        "reviewed_at": "2026-07-14",
+        "review_after": null
+      },
+      "route": "/study/papers/memgym/",
+      "atlas": {
+        "chunk_id": "topic-papers-agents-and-llm-systems-01",
+        "chunk_route": "/study/atlas/papers/topic-papers-agents-and-llm-systems-01/"
+      }
+    },
     {
       "id": "papers::mencius-2008",
       "area": "papers",
@@ -22074,6 +22106,38 @@
         "chunk_route": "/study/atlas/papers/topic-papers-agents-and-llm-systems-01/"
       }
     },
+    {
+      "id": "papers::osworld",
+      "area": "papers",
+      "slug": "osworld",
+      "title": "OSWorld — 把 GUI agent 放进真正的电脑里考试",
+      "description": "用 OSWorld 理解为什么电脑操作 agent 不能只在网页或脚本环境里评测。",
+      "difficulty": "intermediate",
+      "canonical_topics": [
+        "papers-agents-and-llm-systems"
+      ],
+      "classification": {
+        "state": "classified",
+        "source": "frontmatter-category",
+        "topic_id": "papers-agents-and-llm-systems",
+        "matched_category": "agent",
+        "raw_category": "AI Agent / Computer Use"
+      },
+      "trust": {
+        "contract_state": "v2",
+        "verification_status": "UNVERIFIED"
+      },
+      "freshness": {
+        "state": "NOT_EVALUATED",
+        "reviewed_at": "2026-07-14",
+        "review_after": null
+      },
+      "route": "/study/papers/osworld/",
+      "atlas": {
+        "chunk_id": "topic-papers-agents-and-llm-systems-01",
+        "chunk_route": "/study/atlas/papers/topic-papers-agents-and-llm-systems-01/"
+      }
+    },
     {
       "id": "papers::ot-1989",
       "area": "papers",
@@ -28747,6 +28811,38 @@
         "chunk_route": "/study/atlas/papers/topic-papers-agents-and-llm-systems-01/"
       }
     },
+    {
+      "id": "papers::swe-bench-cl",
+      "area": "papers",
+      "slug": "swe-bench-cl",
+      "title": "SWE-Bench-CL — coding agent 不能只刷静态题",
+      "description": "用 SWE-Bench-CL 理解软件工程 agent 的持续学习、迁移和灾难性遗忘。",
+      "difficulty": "intermediate",
+      "canonical_topics": [
+        "papers-agents-and-llm-systems"
+      ],
+      "classification": {
+        "state": "classified",
+        "source": "frontmatter-category",
+        "topic_id": "papers-agents-and-llm-systems",
+        "matched_category": "agent",
+        "raw_category": "AI Agent / Software Engineering"
+      },
+      "trust": {
+        "contract_state": "v2",
+        "verification_status": "UNVERIFIED"
+      },
+      "freshness": {
+        "state": "NOT_EVALUATED",
+        "reviewed_at": "2026-07-14",
+        "review_after": null
+      },
+      "route": "/study/papers/swe-bench-cl/",
+      "atlas": {
+        "chunk_id": "topic-papers-agents-and-llm-systems-01",
+        "chunk_route": "/study/atlas/papers/topic-papers-agents-and-llm-systems-01/"
+      }
+    },
     {
       "id": "papers::swe-skills-bench-2026",
       "area": "papers",
@@ -29925,6 +30021,38 @@
         "chunk_route": "/study/atlas/papers/topic-papers-compilers-and-programming-language-theory-02/"
       }
     },
+    {
+      "id": "papers::toolbench-x",
+      "area": "papers",
+      "slug": "toolbench-x",
+      "title": "ToolBench-X — 工具会坏时，agent 还能不能把事做完",
+      "description": "用 ToolBench-X 理解 tool-use benchmark 为什么要模拟规格漂移、调用错误、执行失败和结果冲突。",
+      "difficulty": "intermediate",
+      "canonical_topics": [
+        "papers-agents-and-llm-systems"
+      ],
+      "classification": {
+        "state": "classified",
+        "source": "frontmatter-category",
+        "topic_id": "papers-agents-and-llm-systems",
+        "matched_category": "agent",
+        "raw_category": "AI Agent / Tool Use"
+      },
+      "trust": {
+        "contract_state": "v2",
+        "verification_status": "UNVERIFIED"
+      },
+      "freshness": {
+        "state": "NOT_EVALUATED",
+        "reviewed_at": "2026-07-14",
+        "review_after": null
+      },
+      "route": "/study/papers/toolbench-x/",
+      "atlas": {
+        "chunk_id": "topic-papers-agents-and-llm-systems-01",
+        "chunk_route": "/study/atlas/papers/topic-papers-agents-and-llm-systems-01/"
+      }
+    },
     {
       "id": "papers::toolformer",
       "area": "papers",
@@ -62909,7 +63037,7 @@
       "page": 1,
       "pages": 1,
       "route": "/study/atlas/papers/topic-papers-agents-and-llm-systems-01/",
-      "entries": 64
+      "entries": 68
     },
     {
       "id": "topic-papers-ai-safety-and-interpretability-01",
diff --git a/data/review-receipts/papers/memgym.json b/data/review-receipts/papers/memgym.json
new file mode 100644
index 000000000..50bbe3ece
--- /dev/null
+++ b/data/review-receipts/papers/memgym.json
@@ -0,0 +1,55 @@
+{
+  "schema_version": "study-review-receipt-v1",
+  "generation": 1,
+  "predecessor_digest_sha256": null,
+  "note": {
+    "area": "papers",
+    "slug": "memgym",
+    "digest_sha256": "9939f45f2bd42198a5d78050f97acf1e28053d60bcaa7fafb3a4cfed290a9fb2"
+  },
+  "source_revision": "arXiv:2605.20833v1",
+  "research_input_sha256": "4d7fd8d84bb0e51701d1bf50f44abac1732cf8935594c9a647ea90b69e8b382f",
+  "reviewers": [
+    {
+      "role": "ZERO_BASE",
+      "reviewer_version": "study-static-review-20260714",
+      "decision": "PASS_WITH_NOTES",
+      "score": 89,
+      "warnings": [
+        "Memory examples are manual toy traces; MemGym evaluation tracks were not executed."
+      ],
+      "execution": {
+        "review_mode": "STATIC_REVIEW",
+        "code_mode": "MANUAL_SIMULATION"
+      }
+    },
+    {
+      "role": "ENGINEER",
+      "reviewer_version": "study-static-review-20260714",
+      "decision": "PASS_WITH_NOTES",
+      "score": 86,
+      "warnings": [
+        "MemRM and memory-isolated score discussion is abstract-level; no reward model run was performed."
+      ],
+      "execution": {
+        "review_mode": "STATIC_REVIEW",
+        "code_mode": "NOT_APPLICABLE"
+      }
+    },
+    {
+      "role": "ACADEMIC",
+      "reviewer_version": "study-static-review-20260714",
+      "decision": "PASS_WITH_NOTES",
+      "score": 85,
+      "warnings": [
+        "Claims are constrained to arXiv metadata and public abstract text."
+      ],
+      "execution": {
+        "review_mode": "STATIC_REVIEW",
+        "code_mode": "NOT_APPLICABLE"
+      }
+    }
+  ],
+  "waivers": [],
+  "created_at": "2026-07-14T11:39:34.000Z"
+}
diff --git a/data/review-receipts/papers/osworld.json b/data/review-receipts/papers/osworld.json
new file mode 100644
index 000000000..d15e2073e
--- /dev/null
+++ b/data/review-receipts/papers/osworld.json
@@ -0,0 +1,55 @@
+{
+  "schema_version": "study-review-receipt-v1",
+  "generation": 1,
+  "predecessor_digest_sha256": null,
+  "note": {
+    "area": "papers",
+    "slug": "osworld",
+    "digest_sha256": "0520c74cc4628692071bad26e15a8206fd649b0a780d0de49787c81d8173cbdb"
+  },
+  "source_revision": "arXiv:2404.07972v2",
+  "research_input_sha256": "e155e4c3d6893198576ac46bc21a92f964f6fb49164692d0074161e0e057c385",
+  "reviewers": [
+    {
+      "role": "ZERO_BASE",
+      "reviewer_version": "study-static-review-20260714",
+      "decision": "PASS_WITH_NOTES",
+      "score": 88,
+      "warnings": [
+        "Computer-use explanation uses a toy file-copy task; OSWorld benchmark was not executed."
+      ],
+      "execution": {
+        "review_mode": "STATIC_REVIEW",
+        "code_mode": "MANUAL_SIMULATION"
+      }
+    },
+    {
+      "role": "ENGINEER",
+      "reviewer_version": "study-static-review-20260714",
+      "decision": "PASS_WITH_NOTES",
+      "score": 86,
+      "warnings": [
+        "Claims are limited to arXiv metadata, abstract, and static environment design reading."
+      ],
+      "execution": {
+        "review_mode": "STATIC_REVIEW",
+        "code_mode": "NOT_APPLICABLE"
+      }
+    },
+    {
+      "role": "ACADEMIC",
+      "reviewer_version": "study-static-review-20260714",
+      "decision": "PASS_WITH_NOTES",
+      "score": 85,
+      "warnings": [
+        "No independent reproduction of the reported success rates was performed."
+      ],
+      "execution": {
+        "review_mode": "STATIC_REVIEW",
+        "code_mode": "NOT_APPLICABLE"
+      }
+    }
+  ],
+  "waivers": [],
+  "created_at": "2026-07-14T11:39:34.000Z"
+}
diff --git a/data/review-receipts/papers/swe-bench-cl.json b/data/review-receipts/papers/swe-bench-cl.json
new file mode 100644
index 000000000..b0c1624db
--- /dev/null
+++ b/data/review-receipts/papers/swe-bench-cl.json
@@ -0,0 +1,55 @@
+{
+  "schema_version": "study-review-receipt-v1",
+  "generation": 1,
+  "predecessor_digest_sha256": null,
+  "note": {
+    "area": "papers",
+    "slug": "swe-bench-cl",
+    "digest_sha256": "dbfd9c2cfbdc91196562156795e617cec5d303be7c1b7b230883dd70b1decc36"
+  },
+  "source_revision": "arXiv:2507.00014v1",
+  "research_input_sha256": "b240b9b89e62a8096b2fa939ece3e983d34a5d49276e2b7c983a58af59fb8b24",
+  "reviewers": [
+    {
+      "role": "ZERO_BASE",
+      "reviewer_version": "study-static-review-20260714",
+      "decision": "PASS_WITH_NOTES",
+      "score": 88,
+      "warnings": [
+        "Continual-learning timeline is a manual toy example; SWE-Bench-CL framework was not executed."
+      ],
+      "execution": {
+        "review_mode": "STATIC_REVIEW",
+        "code_mode": "MANUAL_SIMULATION"
+      }
+    },
+    {
+      "role": "ENGINEER",
+      "reviewer_version": "study-static-review-20260714",
+      "decision": "PASS_WITH_NOTES",
+      "score": 86,
+      "warnings": [
+        "LangGraph and FAISS memory details are summarized from public arXiv metadata only."
+      ],
+      "execution": {
+        "review_mode": "STATIC_REVIEW",
+        "code_mode": "NOT_APPLICABLE"
+      }
+    },
+    {
+      "role": "ACADEMIC",
+      "reviewer_version": "study-static-review-20260714",
+      "decision": "PASS_WITH_NOTES",
+      "score": 85,
+      "warnings": [
+        "No independent reproduction of continual-learning metrics was performed."
+      ],
+      "execution": {
+        "review_mode": "STATIC_REVIEW",
+        "code_mode": "NOT_APPLICABLE"
+      }
+    }
+  ],
+  "waivers": [],
+  "created_at": "2026-07-14T11:39:34.000Z"
+}
diff --git a/data/review-receipts/papers/toolbench-x.json b/data/review-receipts/papers/toolbench-x.json
new file mode 100644
index 000000000..c1a719760
--- /dev/null
+++ b/data/review-receipts/papers/toolbench-x.json
@@ -0,0 +1,55 @@
+{
+  "schema_version": "study-review-receipt-v1",
+  "generation": 1,
+  "predecessor_digest_sha256": null,
+  "note": {
+    "area": "papers",
+    "slug": "toolbench-x",
+    "digest_sha256": "75446716639647a910f8daa1125de5d6416288462f08438989354adf9d343447"
+  },
+  "source_revision": "arXiv:2606.25819v2",
+  "research_input_sha256": "dfe441438a312b98ad38dc3c9f6812246bc03e65d374b10ab7ff8f56b77e102a",
+  "reviewers": [
+    {
+      "role": "ZERO_BASE",
+      "reviewer_version": "study-static-review-20260714",
+      "decision": "PASS_WITH_NOTES",
+      "score": 88,
+      "warnings": [
+        "Hazard examples are manual simplifications; ToolBench-X tasks were not executed."
+      ],
+      "execution": {
+        "review_mode": "STATIC_REVIEW",
+        "code_mode": "MANUAL_SIMULATION"
+      }
+    },
+    {
+      "role": "ENGINEER",
+      "reviewer_version": "study-static-review-20260714",
+      "decision": "PASS_WITH_NOTES",
+      "score": 87,
+      "warnings": [
+        "Recovery strategy discussion is based on paper abstract and arXiv page, not local benchmark runs."
+      ],
+      "execution": {
+        "review_mode": "STATIC_REVIEW",
+        "code_mode": "NOT_APPLICABLE"
+      }
+    },
+    {
+      "role": "ACADEMIC",
+      "reviewer_version": "study-static-review-20260714",
+      "decision": "PASS_WITH_NOTES",
+      "score": 85,
+      "warnings": [
+        "The note does not verify dataset size or model scores beyond public arXiv metadata."
+      ],
+      "execution": {
+        "review_mode": "STATIC_REVIEW",
+        "code_mode": "NOT_APPLICABLE"
+      }
+    }
+  ],
+  "waivers": [],
+  "created_at": "2026-07-14T11:39:34.000Z"
+}
diff --git a/src/content/docs/about.md b/src/content/docs/about.md
index 04078fc7e..7b83fd0a2 100644
--- a/src/content/docs/about.md
+++ b/src/content/docs/about.md
@@ -14,7 +14,7 @@ sidebar:
 
 写到今天的硬数字：
 
-- **1019 篇论文笔记** + **961 篇项目笔记**，合计 **1900+ 篇**
+- **1023 篇论文笔记** + **961 篇项目笔记**，合计 **1900+ 篇**
 - 横跨 19 个主题：分布式系统 76 / 编程语言 76 / 数据库 47 / 操作系统 46 / 机器学习 44 / 区块链 44 / 后端 API 40 / 基础设施 38 / 网络协议 37 / 图形学 36 / 形式化方法 27 / 通信 27 / 信息检索 25 / Agent 24 / CLI 23 / NLP 11 / 编译器 11 / 等
 - 近 30 天集中产出：基础设施（444 commits）、编译器与 PL（72）、自演化 Agent（10+ 新建）、分布式（47）、区块链（44）
 
diff --git a/src/content/docs/atlas/papers/topic-papers-agents-and-llm-systems-01.md b/src/content/docs/atlas/papers/topic-papers-agents-and-llm-systems-01.md
index 980e55117..be122b175 100644
--- a/src/content/docs/atlas/papers/topic-papers-agents-and-llm-systems-01.md
+++ b/src/content/docs/atlas/papers/topic-papers-agents-and-llm-systems-01.md
@@ -1,6 +1,6 @@
 ---
 title: "智能体与 LLM 系统 · 论文 · 第 1 组"
-description: "64 条 智能体与 LLM 系统 Atlas 分块"
+description: "68 条 智能体与 LLM 系统 Atlas 分块"
 sidebar:
   hidden: true
 ---
@@ -9,7 +9,7 @@ sidebar:
 
 [返回论文全景索引](/study/papers-atlas/)
 
-本分块共 64 条，稳定上限为 100 条。
+本分块共 68 条，稳定上限为 100 条。
 
 | 论文 | Slug | 难度 | 可信状态 | 简介 |
 |---|---|---|---|---|
@@ -41,6 +41,7 @@ sidebar:
 | [MCP — 让一个 LLM 客户端能插任何外部能力的 USB 协议](/study/papers/mcp-spec/) | `mcp-spec` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
 | [MCPWorld — API、GUI、混合 Computer Use 的统一测试床](/study/papers/mcpworld-2025/) | `mcpworld-2025` | intermediate | UNVERIFIED | MCPWorld 用 white-box apps 统一评估 API、GUI 和混合 computer-use agents |
 | [MemCoder — code agent 跟着你 git commit 一起成长](/study/papers/memcoder-co-evolution/) | `memcoder-co-evolution` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
+| [MemGym — 给长程 agent memory 做一间健身房](/study/papers/memgym/) | `memgym` | intermediate | UNVERIFIED | 用 MemGym 区分聊天记忆、执行记忆和可迁移的 agent 经验 |
 | [MetaGPT — 多智能体软件公司](/study/papers/metagpt/) | `metagpt` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
 | [MIND-Skill — 用归纳和演绎双 agent 抽 skill 并保证质量](/study/papers/mind-skill/) | `mind-skill` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
 | [Misevolution — 自进化 agent 也会"越改越坏"，连顶配模型也躲不过](/study/papers/misevolution-2509/) | `misevolution-2509` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
@@ -50,6 +51,7 @@ sidebar:
 | [Orca — Transformer 生成模型的分布式推理调度](/study/papers/orca-2022/) | `orca-2022` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
 | [Orca — 让一批 LLM 请求随到随走，不再排队等最长那个](/study/papers/orca-continuous-batching/) | `orca-continuous-batching` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
 | [OSCAR — 离线转个方向，把 KV Cache 压到 2-bit](/study/papers/oscar-int2-kv/) | `oscar-int2-kv` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
+| [OSWorld — 把 GUI agent 放进真正的电脑里考试](/study/papers/osworld/) | `osworld` | intermediate | UNVERIFIED | 用 OSWorld 理解为什么电脑操作 agent 不能只在网页或脚本环境里评测 |
 | [PagedAttention — 把 KV cache 当虚拟内存页来管理](/study/papers/paged-attention/) | `paged-attention` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
 | [PagedAttention — 以页替代整段内存的显存管理](/study/papers/paged-attention-vllm/) | `paged-attention-vllm` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
 | [RAG (Lewis 2020) — 检索增强生成奠基](/study/papers/rag-lewis-2020/) | `rag-lewis-2020` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
@@ -70,7 +72,9 @@ sidebar:
 | [SpecInfer — 让大模型一次"猜一棵树"再并行验证](/study/papers/specinfer-2023/) | `specinfer-2023` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
 | [SWE-Agent — Princeton SWE-bench 解法](/study/papers/swe-agent/) | `swe-agent` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
 | [SWE-bench — 真实 GitHub Issue 评测](/study/papers/swe-bench/) | `swe-bench` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
+| [SWE-Bench-CL — coding agent 不能只刷静态题](/study/papers/swe-bench-cl/) | `swe-bench-cl` | intermediate | UNVERIFIED | 用 SWE-Bench-CL 理解软件工程 agent 的持续学习、迁移和灾难性遗忘 |
 | [SWE-Skills-Bench — Agent 技能真的帮得上软件工程吗](/study/papers/swe-skills-bench-2026/) | `swe-skills-bench-2026` | intermediate | UNVERIFIED | 用 paired evaluation 衡量 SWE skills 对真实软件工程 agent 的边际收益和 token 成本 |
+| [ToolBench-X — 工具会坏时，agent 还能不能把事做完](/study/papers/toolbench-x/) | `toolbench-x` | intermediate | UNVERIFIED | 用 ToolBench-X 理解 tool-use benchmark 为什么要模拟规格漂移、调用错误、执行失败和结果冲突 |
 | [Toolformer — 教 LLM 自主调用 API](/study/papers/toolformer/) | `toolformer` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
 | [Tree of Thoughts — 让 LLM 像下棋一样多想几步再答](/study/papers/tree-of-thoughts-2023/) | `tree-of-thoughts-2023` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
 | [VeriCache: Turning Lossy KV Cache into Lossless LLM Inference — 有损压缩草稿，无损输出验收](/study/papers/vericache/) | `vericache` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
diff --git a/src/content/docs/career-plan.md b/src/content/docs/career-plan.md
index 7325a36ea..acb2d2eae 100644
--- a/src/content/docs/career-plan.md
+++ b/src/content/docs/career-plan.md
@@ -5,7 +5,7 @@ sidebar:
   order: 1
 ---
 
-> 本页是路径说明。具体笔记见左侧分组；当前规模 1900+ 篇（论文 1019 + 项目 961）。
+> 本页是路径说明。具体笔记见左侧分组；当前规模 1900+ 篇（论文 1023 + 项目 961）。
 
 ## 1. 路径模型的演化
 
diff --git a/src/content/docs/index.md b/src/content/docs/index.md
index 242e5a292..e201f8521 100644
--- a/src/content/docs/index.md
+++ b/src/content/docs/index.md
@@ -144,7 +144,7 @@ head:
 </dl>
   </div>
 
-  <p class="study-muted"><strong>当前规模：</strong>1019 篇论文 + 961 个项目 = 1980 篇笔记，按 19 个主题组织。数量已移出首屏，只作为覆盖面证据。</p>
+  <p class="study-muted"><strong>当前规模：</strong>1023 篇论文 + 961 个项目 = 1984 篇笔记，按 19 个主题组织。数量已移出首屏，只作为覆盖面证据。</p>
 </section>
 
 <section class="study-section">
diff --git a/src/content/docs/method.md b/src/content/docs/method.md
index 766764356..0ee10015b 100644
--- a/src/content/docs/method.md
+++ b/src/content/docs/method.md
@@ -11,7 +11,7 @@ sidebar:
 
 ## 顶层结论（先看）
 
-- 这套方法跑过 **961 篇项目 + 1019 篇论文 = 1980 篇**笔记，跨 19 个一级主题、约 1980 行写作密度
+- 这套方法跑过 **961 篇项目 + 1023 篇论文 = 1984 篇**笔记，跨 19 个一级主题、约 1984 行写作密度
 - 最常被跳过的层是 **Layer 4 改一处**——但每次跳过都让整篇笔记从"机制"退回"翻译"
 - 真正变成"门面级"反向引用枢纽的笔记（[React](/study/projects/react/) 68 / [[pytorch]] 67 / [[kubernetes]] 66 / [[postgresql]] 66），无一例外都做过 L3+L4 双层
 - L0 / L1 / L2 / L7 即使做得平庸也不致命；L3+L4 任一项缺失 = 整篇笔记掉档
diff --git a/src/content/docs/papers-atlas.md b/src/content/docs/papers-atlas.md
index ce66fc308..55cb70b7d 100644
--- a/src/content/docs/papers-atlas.md
+++ b/src/content/docs/papers-atlas.md
@@ -1,6 +1,6 @@
 ---
 title: 论文全景索引
-description: 1019 篇论文的分块地图 · 稳定 taxonomy · 自动生成
+description: 1023 篇论文的分块地图 · 稳定 taxonomy · 自动生成
 sidebar:
   order: 5
   label: 论文全景索引
@@ -12,10 +12,10 @@ sidebar:
 ## 总览
 
 <div class="study-stats-strip">
-  <div><strong>1019</strong><span>论文总数</span></div>
-  <div><strong>1000</strong><span>已有规范主题</span></div>
+  <div><strong>1023</strong><span>论文总数</span></div>
+  <div><strong>1004</strong><span>已有规范主题</span></div>
   <div><strong>19</strong><span>暂未收纳进主题路线</span></div>
-  <div><strong>98.1%</strong><span>分类覆盖率（1000 / 1019，已分类 / 总数）</span></div>
+  <div><strong>98.1%</strong><span>分类覆盖率（1004 / 1023，已分类 / 总数）</span></div>
 </div>
 
 ## 先选一条学习路径
@@ -41,7 +41,7 @@ Atlas 不替代精选路线。零基础读者先从下面六条路径选一条
 
 | 主题 | English | 数量 | 分块 |
 |---|---|---:|---|
-| 智能体与 LLM 系统 | Agents and LLM Systems | 64 | [第 1/1 组](/study/atlas/papers/topic-papers-agents-and-llm-systems-01/) |
+| 智能体与 LLM 系统 | Agents and LLM Systems | 68 | [第 1/1 组](/study/atlas/papers/topic-papers-agents-and-llm-systems-01/) |
 | NLP 基础与 Scaling | NLP Foundations and Scaling | 111 | [第 1/2 组](/study/atlas/papers/topic-papers-nlp-foundations-and-scaling-01/) · [第 2/2 组](/study/atlas/papers/topic-papers-nlp-foundations-and-scaling-02/) |
 | 计算机视觉 | Computer Vision | 11 | [第 1/1 组](/study/atlas/papers/topic-papers-computer-vision-01/) |
 | 生成模型 / 扩散 | Generative Models and Diffusion | 10 | [第 1/1 组](/study/atlas/papers/topic-papers-generative-models-and-diffusion-01/) |
@@ -79,4 +79,4 @@ Atlas 不替代精选路线。零基础读者先从下面六条路径选一条
 
 - difficulty 未知：1014
 - description 为空：1013
-- sidecar 主键：1019 个唯一 `area::slug`
+- sidecar 主键：1023 个唯一 `area::slug`
diff --git a/src/content/docs/papers-method.md b/src/content/docs/papers-method.md
index 5a4938555..de7b80dc5 100644
--- a/src/content/docs/papers-method.md
+++ b/src/content/docs/papers-method.md
@@ -11,7 +11,7 @@ sidebar:
 
 ## 站点的论文体量
 
-截至 2026-07，论文目录共 1019 篇笔记，覆盖：
+截至 2026-07，论文目录共 1023 篇笔记，覆盖：
 
 - 分布式系统 76 篇（[[paxos-1998]] / [[raft]] / [[lamport-1978]] / [[spanner-2012]]）
 - 编程语言 + 类型论 76 篇（[[hindley-milner]] / [[lambda-calculus]] / [[hoare-logic]]）
diff --git a/src/content/docs/papers-queue.md b/src/content/docs/papers-queue.md
index 973d155c5..e081e4bbf 100644
--- a/src/content/docs/papers-queue.md
+++ b/src/content/docs/papers-queue.md
@@ -1,11 +1,11 @@
 ---
 title: 论文队列
-description: 按 topic 分组的 pillar 推荐 —— 站内 1019 篇论文笔记里，每条主线挑 3-5 篇代表作做切入点
+description: 按 topic 分组的 pillar 推荐 —— 站内 1023 篇论文笔记里，每条主线挑 3-5 篇代表作做切入点
 sidebar:
   order: 4
 ---
 
-> 站内累计 1019 篇论文笔记，跨 14 个主题。这页不是"待读清单"，是
+> 站内累计 1023 篇论文笔记，跨 14 个主题。这页不是"待读清单"，是
 > **入门指引** —— 每个 topic 给 3-5 篇 pillar 论文 + 一行说明它
 > 为什么是该 topic 的支点。看完一条主线的 pillar，你就拿到了
 > 该 topic 整张反向链接图的入口。
@@ -13,7 +13,7 @@ sidebar:
 ## 怎么用这页
 
 - 不知道某个 topic 从哪读 → 来这里挑该主题 3-5 篇 pillar
-- 想看完整 1019 篇分布与主题地图 → [papers-atlas](/study/papers-atlas/)
+- 想看完整 1023 篇分布与主题地图 → [papers-atlas](/study/papers-atlas/)
 - 想要"如何精读一篇论文"的方法 → [papers-method](/study/papers-method/)
 - 想看跨论文 + 项目的混合阅读节奏 → [queue](/study/queue/)
 
diff --git a/src/content/docs/papers/memgym.md b/src/content/docs/papers/memgym.md
new file mode 100644
index 000000000..ff4973fe3
--- /dev/null
+++ b/src/content/docs/papers/memgym.md
@@ -0,0 +1,106 @@
+---
+title: 'MemGym — 给长程 agent memory 做一间健身房'
+description: '用 MemGym 区分聊天记忆、执行记忆和可迁移的 agent 经验。'
+来源: 'Xu et al., arXiv:2605.20833'
+日期: 2026-07-14
+分类: AI Agent / Memory
+难度: 中级
+difficulty: intermediate
+trust:
+  version: study-v2
+  source_kind: paper
+  note_type: paper
+  canonical_source: https://arxiv.org/abs/2605.20833v1
+  source_authority: AUTHOR_PRIMARY
+  accessed_at: '2026-07-14'
+  publication_id: arXiv:2605.20833
+  source_version: arXiv:2605.20833v1
+  evidence_type: STATIC_ANALYSIS
+  verification_status: UNVERIFIED
+  reviewed_at: '2026-07-14'
+  review_after: null
+  applicable_version: arXiv v1
+---
+
+## 是什么
+
+MemGym 是一个面向 **长程 LLM agent memory** 的 benchmark。它不只测模型能不能记住用户偏好，而是测 agent 在长时间执行任务时，能不能形成、压缩、检索并复用有用记忆。
+
+类比：聊天记忆像记住朋友喜欢喝冰美式；MemGym 关心的是一个实习生做了三周项目后，能不能把踩坑、代码结构、工具限制和成功路径沉淀成下次能用的经验。
+
+论文把多个 agent gym 和自建 memory-grounded pipeline 统一到一个 memory-reasoning interface 下，并覆盖 tool-use dialogue、deep research、coding 和 computer use 等场景。
+
+## 问题是什么
+
+很多 memory benchmark 停留在多轮聊天：问你我叫什么、喜欢什么、昨天说过什么。这类任务能测 retention，但不一定能测 agent 做事时的动态记忆。
+
+真实 agent memory 更难：它要在任务过程中决定哪些观察值得留下，如何压缩不丢关键条件，什么时候检索，检索后又如何不污染当前推理。
+
+MemGym 的核心问题是：记忆系统能不能在 coding、web navigation、deep research 这些真实执行环境里帮 agent，而不是只在聊天问答里拿高分。
+
+## 为什么重要
+
+MemGym 的一个关键贡献是 memory-isolated scores。它试图把 memory performance 从 reasoning、retrieval 和 tool-use ability 里拆出来，让不同记忆策略可以更公平地比较。
+
+这点很重要，因为一个 agent 做错任务，可能是不会推理，也可能是没检索到记忆，也可能是记忆压缩质量差。没有隔离分数，就容易把所有失败都归因给模型或工具。
+
+它和 [[reflexion]]、[[voyager]] 的关系是：Reflexion 和 Voyager 都强调经验回写；MemGym 更像给这些经验回写系统提供一套统一训练场和评测口径。
+
+## 核心方法
+
+MemGym 覆盖五个 evaluation tracks，并归到四类 agentic regimes：
+
+| Regime | Track / 场景 |
+|---|---|
+| tool-use dialogue | tau2-bench |
+| deep research search | MEMGYM-DR |
+| coding | SWE-Gym 和 MEMGYM-CODEQA |
+| computer use | WebArena-Infinity |
+
+论文还为 MEMGYM-CODEQA 和 MEMGYM-DR 构建了 length-controllable 的合成 pipeline，并在各阶段做 ablation verification。
+
+为了让 coding 环境评测更容易跑，论文训练了 MemRM：一个 Qwen3-1.7B + QLoRA 的轻量 reward model，用来快速评分 compression quality，替代完整 Docker rollout 的高成本读取。
+
+## 手工 toy 复现
+
+假设 agent 要连续修 3 个同仓库 bug：
+
+| 任务 | 新观察 | 好记忆应该留下什么 |
+|---|---|---|
+| bug 1 | 登录失败来自 `AuthService` 的 token 过期 | token 刷新入口和测试命令 |
+| bug 2 | 类似错误出现在移动端适配层 | “先查 AuthService，再查 adapter” 的排查路线 |
+| bug 3 | 失败日志不同但根因仍是 token 刷新 | 复用路线，同时避免把旧日志当新事实 |
+
+MemGym 要测的不是 agent 是否死记每段日志，而是它能否把“可迁移经验”压缩出来，并在新任务里正确检索。
+
+## 踩过的坑
+
+1. **记忆越多不等于越好**：未经筛选的历史会制造噪声，甚至把过期结论带进新任务。
+2. **聊天记忆不能代表执行记忆**：用户偏好和任务轨迹的结构完全不同。
+3. **只测最终成功会混淆原因**：成功可能来自模型强推理，不一定来自 memory。
+4. **压缩质量本身要评估**：如果摘要漏掉约束，检索再准也会带来错误行动。
+
+## 学到什么
+
+MemGym 把 agent memory 从“能不能记住信息”推进到“能不能形成可迁移执行经验”。这对长期 study / harness 项目很贴近：我们真正需要的不是聊天记录堆积，而是能在下一轮任务中减少重复踩坑的结构化记忆。
+
+对工程实现来说，memory 系统至少要拆成三步看：写入时筛选、保存时压缩、使用时校验。任何一步偷懒，都会把 memory 从资产变成污染源。
+
+## 延伸阅读
+
+- 原文：<https://arxiv.org/abs/2605.20833>
+- [[reflexion]]：用语言反思替代权重更新。
+- [[voyager]]：在长程环境里积累 skill library。
+- [[swe-bench-cl]]：软件工程任务流里的持续学习评测。
+
+## 关联
+
+- [[reflexion]]
+- [[voyager]]
+- [[swe-agent]]
+- [[swe-bench]]
+- [[agentic-context-engineering-2025]]
+
+## 反向链接
+
+<!-- 由 scripts/regen-backlinks.mjs 自动生成 -->
diff --git a/src/content/docs/papers/osworld.md b/src/content/docs/papers/osworld.md
new file mode 100644
index 000000000..5c70b9684
--- /dev/null
+++ b/src/content/docs/papers/osworld.md
@@ -0,0 +1,103 @@
+---
+title: 'OSWorld — 把 GUI agent 放进真正的电脑里考试'
+description: '用 OSWorld 理解为什么电脑操作 agent 不能只在网页或脚本环境里评测。'
+来源: 'Xie et al., arXiv:2404.07972'
+日期: 2026-07-14
+分类: AI Agent / Computer Use
+难度: 中级
+difficulty: intermediate
+trust:
+  version: study-v2
+  source_kind: paper
+  note_type: paper
+  canonical_source: https://arxiv.org/abs/2404.07972v2
+  source_authority: AUTHOR_PRIMARY
+  accessed_at: '2026-07-14'
+  publication_id: arXiv:2404.07972
+  source_version: arXiv:2404.07972v2
+  evidence_type: STATIC_ANALYSIS
+  verification_status: UNVERIFIED
+  reviewed_at: '2026-07-14'
+  review_after: null
+  applicable_version: arXiv v2
+---
+
+## 是什么
+
+OSWorld 是一个评测 **多模态电脑操作 agent** 的 benchmark。它不是让模型回答题目，也不是只在网页 DOM 里点按钮，而是把 agent 放进真实操作系统和真实应用里，让它完成开放式电脑任务。
+
+类比：普通网页 benchmark 像在驾校封闭场地开车；OSWorld 像把车开到真实城市道路，红绿灯、行人、导航、停车、临时施工都会一起出现。
+
+论文给出的核心规模是 369 个真实电脑任务，覆盖 web app、desktop app、文件系统 I/O，以及跨多个应用的 workflow。环境支持 Ubuntu、Windows 和 macOS，并为每个任务提供初始状态设置和执行式评测脚本。
+
+## 问题是什么
+
+很多 agent benchmark 的环境太干净：要么没有真正交互环境，要么只覆盖单一网站或单一应用。这样测出来的分数会高估 agent 的现实能力，因为真实电脑使用需要同时处理视觉定位、窗口状态、文件路径、菜单层级、应用切换和长步骤计划。
+
+OSWorld 把评测对象从“会不会调用某个 API”推进到“会不会真的操作一台电脑”。这对 GUI agent 很关键，因为用户要的不是 click sequence，而是任务完成：下载文件、编辑表格、改设置、跨应用搬运信息。
+
+## 为什么重要
+
+OSWorld 的结果很刺眼：人类能完成 72.36% 以上任务，而论文评测中的最好模型只有 12.24% 成功率。这个差距说明，当时的多模态 agent 还没有接近“电脑助手”的产品线。
+
+更重要的是，OSWorld 把失败原因具体化为 GUI grounding 和 operational knowledge。前者是“看见按钮但点不准”，后者是“不知道这个软件该怎么操作”。这两个问题在普通文本 benchmark 里很难暴露。
+
+它和 [[mcp-bench-2025]]、[[mcpworld-2025]] 的关系是：MCP 线看工具协议和 tool invocation，OSWorld 看完整电脑环境。两者合在一起，才接近真实 AI 助手的工作面。
+
+## 核心方法
+
+OSWorld 的关键设计是三件事：
+
+| 设计 | 作用 |
+|---|---|
+| 真实操作系统环境 | 任务发生在真正的桌面、应用和文件系统里 |
+| 任务初始状态配置 | 每个 case 可以从可复现的起点开始 |
+| 执行式评测脚本 | 不只看 agent 说了什么，而是检查系统终态是否正确 |
+
+这套设计让 OSWorld 比“截图问答”更接近端到端电脑使用。agent 必须观察屏幕、决定动作、执行点击或输入，再从新屏幕继续判断。
+
+## 手工 toy 复现
+
+我用一个极小任务手推 OSWorld 的评测逻辑：
+
+任务：打开文件管理器，把 `report.txt` 复制到 `Archive` 文件夹，并确认文件存在。
+
+| 阶段 | agent 需要做什么 | OSWorld 式检查 |
+|---|---|---|
+| setup | 初始桌面和文件夹存在 | 环境脚本准备状态 |
+| act | 打开文件管理器、定位文件、复制或拖拽 | GUI grounding + 操作知识 |
+| evaluate | 检查 `Archive/report.txt` 是否存在 | 执行式终态评测 |
+
+这个 toy 说明：OSWorld 不奖励“我会复制文件”的文字回答，只奖励真实环境里的正确状态变化。
+
+## 踩过的坑
+
+1. **把截图理解当电脑使用**：看懂截图只是第一步，真实任务还要跨应用、跨窗口和跨时间。
+2. **把 click 成功当任务成功**：按钮点到了不代表终态正确，评测必须看文件、设置或应用状态。
+3. **只优化网页 agent 会偏科**：浏览器任务不能覆盖桌面软件、文件系统和系统设置。
+4. **延迟和效率不能忽略**：OSWorld 原文先突出成功率，但真实产品还要继续看耗时和动作数，这也是后续 OSWorld-Human 的动机。
+
+## 学到什么
+
+OSWorld 给 agent 评测立了一条底线：如果目标是电脑助手，就必须在电脑里验收，而不是只在文本、API 或单网页里验收。
+
+对 study 的 agent 线来说，它补上了 [[agent-planning-benchmark-2026]] 的下游环境：APB 诊断规划，OSWorld 验证规划能否穿过真实 GUI 和应用状态。
+
+## 延伸阅读
+
+- 原文：<https://arxiv.org/abs/2404.07972>
+- 项目页：<https://os-world.github.io/>
+- [[mcpworld-2025]]：MCP 工具世界的 benchmark。
+- [[agent-planning-benchmark-2026]]：规划质量的上游诊断。
+
+## 关联
+
+- [[mcpworld-2025]]
+- [[mcp-bench-2025]]
+- [[agent-planning-benchmark-2026]]
+- [[react-agent]]
+- [[swe-agent]]
+
+## 反向链接
+
+<!-- 由 scripts/regen-backlinks.mjs 自动生成 -->
diff --git a/src/content/docs/papers/swe-bench-cl.md b/src/content/docs/papers/swe-bench-cl.md
new file mode 100644
index 000000000..d4b444573
--- /dev/null
+++ b/src/content/docs/papers/swe-bench-cl.md
@@ -0,0 +1,105 @@
+---
+title: 'SWE-Bench-CL — coding agent 不能只刷静态题'
+description: '用 SWE-Bench-CL 理解软件工程 agent 的持续学习、迁移和灾难性遗忘。'
+来源: 'Joshi et al., arXiv:2507.00014'
+日期: 2026-07-14
+分类: AI Agent / Software Engineering
+难度: 中级
+difficulty: intermediate
+trust:
+  version: study-v2
+  source_kind: paper
+  note_type: paper
+  canonical_source: https://arxiv.org/abs/2507.00014v1
+  source_authority: AUTHOR_PRIMARY
+  accessed_at: '2026-07-14'
+  publication_id: arXiv:2507.00014
+  source_version: arXiv:2507.00014v1
+  evidence_type: STATIC_ANALYSIS
+  verification_status: UNVERIFIED
+  reviewed_at: '2026-07-14'
+  review_after: null
+  applicable_version: arXiv v1
+---
+
+## 是什么
+
+SWE-Bench-CL 是一个面向 **coding agent continual learning** 的 benchmark。它基于 SWE-Bench Verified，把 GitHub issues 按真实时间顺序组织成任务流，用来评估 agent 是否能积累经验、跨任务迁移，并避免灾难性遗忘。
+
+类比：普通 SWE-bench 像期末考试抽题；SWE-Bench-CL 像真实入职一个仓库，今天修 bug，明天改 feature，下周处理回归。你不只要会做一道题，还要越做越懂这个仓库。
+
+论文还提供 LangGraph-based evaluation framework，并加入 FAISS-backed semantic memory module，用来比较 memory-enabled 和 memory-disabled agents。
+
+## 问题是什么
+
+静态 coding benchmark 的默认假设是：每个问题独立出现，agent 做完就结束。但真实软件工程不是这样。一个仓库会持续演进，今天的修复会改变明天的上下文，前一个 issue 的定位经验也可能帮下一个 issue。
+
+SWE-Bench-CL 关心的问题是：agent 能不能把历史任务变成有用经验，而不是每次都像第一次打开仓库。
+
+这也带来反面问题：如果 agent 把旧经验用错，就会发生 catastrophic forgetting 或 negative transfer。持续学习不只是记住更多，还要知道哪些经验还适用。
+
+## 为什么重要
+
+软件工程 agent 的产品价值不在于单次 pass@1，而在于长期维护同一个 repo 时能否越来越快、越来越稳。
+
+SWE-Bench-CL 提出一组 continual learning metrics，包括 average accuracy、forgetting、forward/backward transfer、tool-use efficiency，以及 Composite Continual Learning Score 和 CL-F-beta score。
+
+这些指标把“做对题”拆成了时间维度：新任务做得好不好，旧能力有没有掉，过去经验是否帮助未来任务，未来修复是否反过来暴露过去理解的问题。
+
+## 核心方法
+
+SWE-Bench-CL 的结构可以这样看：
+
+| 层 | 作用 |
+|---|---|
+| 数据层 | 从 SWE-Bench Verified 取人类验证过的 issue |
+| 时间层 | 按仓库自然演进顺序组织任务 |
+| 记忆层 | 用 FAISS semantic memory 存储和检索历史经验 |
+| 编排层 | 用 LangGraph 组织 agent evaluation flow |
+| 指标层 | 评估准确率、遗忘、迁移和工具效率 |
+
+这让 benchmark 从“单点修 bug”变成“持续维护一个仓库”。它和 [[swe-bench]] 的关系不是替代，而是在 SWE-bench 上加时间轴和经验轴。
+
+## 手工 toy 复现
+
+想象一个仓库连续出现三个 issue：
+
+| 时间 | issue | 没有记忆的 agent | 有好记忆的 agent |
+|---|---|---|---|
+| T1 | 登录测试失败 | 全仓搜索 auth | 记录 token 刷新入口 |
+| T2 | OAuth 回调失败 | 再次从头找 | 先查同一认证模块 |
+| T3 | 修复后旧登录测试回归 | 忘了 T1 约束 | 检查旧测试是否仍通过 |
+
+SWE-Bench-CL 要测的是这种时间线上的能力：不是 T2 单独能否修好，而是 T1 的经验是否帮助 T2，同时 T2 的修改有没有破坏 T1。
+
+## 踩过的坑
+
+1. **把持续学习理解成简单 RAG**：检索历史只是入口，还要判断历史是否适用于当前版本。
+2. **只看平均准确率会漏掉遗忘**：新题都做对但旧能力退化，长期维护仍然不可靠。
+3. **仓库时间线很重要**：乱序任务会破坏真实软件演进的因果关系。
+4. **记忆也可能负迁移**：相似 issue 不代表同一根因，错误复用会更快地失败。
+
+## 学到什么
+
+SWE-Bench-CL 把 coding agent 评测从“一次性解题”推进到“长期维护”。这和真实工程更接近：一个好 agent 不该只是会打补丁，还应该逐渐形成仓库地图、失败模式和验证习惯。
+
+对 study 的 agent 线来说，它可以接在 [[swe-bench]] 和 [[memgym]] 后面读：SWE-bench 给任务底座，MemGym 讨论 memory 评测，SWE-Bench-CL 把 memory 放回持续软件工程时间线。
+
+## 延伸阅读
+
+- 原文：<https://arxiv.org/abs/2507.00014>
+- 代码：<https://github.com/thomasjoshi/agents-never-forget>
+- [[swe-bench]]：原始软件工程 benchmark。
+- [[memgym]]：agent memory 的统一评测环境。
+
+## 关联
+
+- [[swe-bench]]
+- [[swe-agent]]
+- [[memgym]]
+- [[agentic-context-engineering-2025]]
+- [[code-as-agent-harness]]
+
+## 反向链接
+
+<!-- 由 scripts/regen-backlinks.mjs 自动生成 -->
diff --git a/src/content/docs/papers/toolbench-x.md b/src/content/docs/papers/toolbench-x.md
new file mode 100644
index 000000000..bff40d02f
--- /dev/null
+++ b/src/content/docs/papers/toolbench-x.md
@@ -0,0 +1,113 @@
+---
+title: 'ToolBench-X — 工具会坏时，agent 还能不能把事做完'
+description: '用 ToolBench-X 理解 tool-use benchmark 为什么要模拟规格漂移、调用错误、执行失败和结果冲突。'
+来源: 'Tian et al., arXiv:2606.25819'
+日期: 2026-07-14
+分类: AI Agent / Tool Use
+难度: 中级
+difficulty: intermediate
+trust:
+  version: study-v2
+  source_kind: paper
+  note_type: paper
+  canonical_source: https://arxiv.org/abs/2606.25819v2
+  source_authority: AUTHOR_PRIMARY
+  accessed_at: '2026-07-14'
+  publication_id: arXiv:2606.25819
+  source_version: arXiv:2606.25819v2
+  evidence_type: STATIC_ANALYSIS
+  verification_status: UNVERIFIED
+  reviewed_at: '2026-07-14'
+  review_after: null
+  applicable_version: arXiv v2
+---
+
+## 是什么
+
+ToolBench-X 是一个评测 **tool-using agent 在不可靠工具环境下能否恢复** 的 benchmark。它不满足于检查函数调用格式是否正确，而是故意让工具环境出现可恢复的坏情况，看 agent 是否能诊断、重试、fallback、验证或交叉检查。
+
+类比：普通 tool benchmark 像在厨房里给你一套全新的刀具；ToolBench-X 像真实厨房，有的刀钝了、有的说明书变了、有的温度计读数飘了，但你仍然要把菜做熟。
+
+论文设计了可执行的多步任务，覆盖 sequential、parallel 和 mixed workflows；每个任务都有 deterministic tools 和 canonical final answer，方便自动评测。
+
+## 问题是什么
+
+现有 tool-use benchmark 往往默认工具干净、稳定、可信。这个假设在真实 agent 系统里太乐观：API 会超时，schema 会变，返回值会漂，两个数据源会冲突，工具文档也可能过期。
+
+ToolBench-X 问的是：当工具不是坏到完全不可用，而是坏到“需要恢复策略”时，agent 还能不能完成任务。
+
+这个问题比 function calling 更接近生产环境。生产 agent 最大的风险不是不会调用工具，而是工具返回异常后继续相信旧计划，最后把错误包装成确定答案。
+
+## 为什么重要
+
+论文把不可靠性拆成五类结构化 hazard：
+
+| Hazard | 直觉 |
+|---|---|
+| Specification Drift | 工具说明或参数语义变了 |
+| Invocation Error | 调用格式、参数或顺序出错 |
+| Execution Failure | 工具执行失败、超时或抛异常 |
+| Output Drift | 返回值偏离预期或格式变了 |
+| Cross-source Conflict | 多个来源给出互相冲突的结果 |
+
+关键点是：每个注入后的 case 仍然至少存在一条 valid recovery path。这让 benchmark 不是单纯“折磨模型”，而是在测 agent 是否会恢复。
+
+## 核心方法
+
+ToolBench-X 从 clean tool environments 出发，再注入可恢复 hazard。这样可以比较同一个 agent 在“工具可靠”和“工具不可靠”两种条件下的差异。
+
+论文的结论方向也很有用：失败更多来自 hazard diagnosis 和 ineffective recovery，而不是单纯的工具调用次数或推理预算不足。也就是说，加更多 test-time scaling 不一定能解决问题，agent 需要更明确的故障识别和恢复策略。
+
+这和 [[mcp-bench-2025]] 很互补：MCP benchmark 关心协议与工具生态，ToolBench-X 关心工具生态不稳定时的恢复能力。
+
+## 手工 toy 复现
+
+任务：查一个城市今天的天气并给出穿衣建议。工具有：
+
+```text
+get_weather(city) -> { temp_c, condition }
+get_air_quality(city) -> { aqi }
+```
+
+ToolBench-X 式 hazard 可以这样注入：
+
+| 情况 | 工具表现 | 好 agent 应该做什么 |
+|---|---|---|
+| Specification Drift | `temp_c` 改名为 `temperature_celsius` | 识别 schema drift，适配字段 |
+| Execution Failure | `get_weather` 第一次 timeout | 重试或使用备用来源 |
+| Output Drift | AQI 返回字符串 `"good"` 而非数字 | 做类型校验，不直接算数 |
+| Cross-source Conflict | 两个天气源温度差 15 度 | 交叉检查并说明不确定性 |
+
+这个 toy 的重点是：正确答案不只取决于函数调用成功，还取决于 agent 是否检查工具结果是否可信。
+
+## 踩过的坑
+
+1. **把 function call JSON 合法当成功**：格式合法只是入口，任务完成要看工具结果和恢复路径。
+2. **只靠重试不够**：重试能处理瞬时失败，处理不了规格漂移和跨源冲突。
+3. **预算不是万能药**：论文指出 test-time scaling 的收益有限，关键是 hazard diagnosis。
+4. **恢复路径必须可评测**：如果没有 canonical final answer，就很难区分“恢复成功”和“编了个解释”。
+
+## 学到什么
+
+ToolBench-X 给 tool agent 评测补了一层现实感：工具不是永远可信的外部 oracle，而是会漂移、失败和互相打架的环境。
+
+对实际 harness 来说，这篇的启发是：工具调用层不只需要 schema，还需要错误分类、重试策略、fallback 策略、交叉验证和终态检查。
+
+## 延伸阅读
+
+- 原文：<https://arxiv.org/abs/2606.25819>
+- 代码：<https://github.com/Foreverskyou/ToolBench-X>
+- [[mcp-bench-2025]]：MCP 工具调用评测。
+- [[toolformer]]：让模型学习何时使用工具的早期路线。
+
+## 关联
+
+- [[mcp-bench-2025]]
+- [[mcpworld-2025]]
+- [[toolformer]]
+- [[agent-planning-benchmark-2026]]
+- [[react-agent]]
+
+## 反向链接
+
+<!-- 由 scripts/regen-backlinks.mjs 自动生成 -->
diff --git a/src/content/docs/queue.md b/src/content/docs/queue.md
index d318e575d..886db47cd 100644
--- a/src/content/docs/queue.md
+++ b/src/content/docs/queue.md
@@ -6,7 +6,7 @@ sidebar:
 ---
 
 > 不是"读哪 20 个"的清单，是"先读哪 5 个就能撑起一个领域"的导航。
-> 当前站点 961 篇项目笔记 + 1019 篇论文笔记，凑数没有意义，**取舍**才有。
+> 当前站点 961 篇项目笔记 + 1023 篇论文笔记，凑数没有意义，**取舍**才有。
 > 每个主题给 3-5 个 pillar：反向链接最多、跨主题被引最广、读完能形成判断。
 
 ## 怎么用这页
@@ -189,7 +189,7 @@ PL 理论在论文侧根扎得最深：[[hindley-milner]] / [[lambda-calculus]]
 ## 全景 atlas
 
 - 项目全景（961 篇按主题分组、反向链接热度、消化状态）：[projects-atlas](/study/projects-atlas/)
-- 论文全景（1019 篇按子领域、pillar 标记、未消化队列）：[papers-atlas](/study/papers-atlas/)
+- 论文全景（1023 篇按子领域、pillar 标记、未消化队列）：[papers-atlas](/study/papers-atlas/)
 - 论文推荐入口（与本页平行的论文版导航）：[papers-queue](/study/papers-queue/)
 - 方法论与挑选标准：[about](/study/about/) / [method](/study/method/) / [papers-method](/study/papers-method/)