LONG-HORIZON AGENT · RESEARCH PLAN

研究建议：课题定稿与行动计划

课题定稿（跨运行目标漂移）· 实验栈与时间表 · CCF-A 投稿窗口 · 建议演变史 | 2026-08-26

定位: 决策层文件——课题定稿、实验计划、投稿窗口与建议演变史。所有事实依据（论文列表、benchmark、查新详情）见配套文件《调研材料_论文与数据集全景》。
课题: 跨运行的目标漂移（工作名 DriftBank）：持久记忆库如何存储、放大目标漂移，以及 training-free 的检测与重锚定。三个已查新验证的残留缝隙的交集：goal drift 修复全部只在单 run 内 × 记忆库运维全部假设目标固定 × training-free 干预只在代码域走通。
方法路线: 全协议层、零梯度零 GPU（run 边界检查点 + 条目 provenance + 重锚定协议）
数据: 主战场 VibeLifeBench 开放 20 任务子集（1,483 静默变异）；受控靶场 MemoryAgentBench SF/CR 切片；基线 Mem0 / A-MEM / Letta(archive-V1) / Memento
投稿: 主目标 WWW 2027（abstract 10-18 / full 10-25，8.6 周）；转投阶梯 IJCAI 2027 (~01-19) → ICML 2027 (~01-28) → ACL 2027（ARR 一月）。不冲 ICLR 2027（9-25，无预实验支撑）
关键节点: 09-09 go/no-go：漂移复播因果量化不成立则同栈 pivot「跨 run 库一致性维护」

最终课题定稿：跨运行目标漂移

导读结论章，读完即可行动：课题表述、三条查新验证的缝隙交集、3+1 贡献点、数据组合与投稿目标、8.6 周时间表（含 09-09 go/no-go 决策点）、风险对策与 rebuttal 预案、本周三件事。

最终课题定稿：跨运行目标漂移（2026-08-26）

本文取代《研究切入点建议.md》中"Self-Auditing Experience"的推荐——查新证实该方向 2026 年 2-8 月已被重度占坑（TEPA/STALE/TARL/MemTxn/EvoGraph-Mem/ReMe，见《记忆库运维查新报告.md》）。本文基于：查新报告 + 会议日期核实（官网逐条确认）+ 实验栈可行性核查（含 7 天出表日程）。

一、课题（一句话）

跨运行的目标漂移：持久记忆库如何存储、放大目标漂移，以及如何在运行期以 training-free 方式检测与重锚定。

英文工作名（候选）：DriftBank: Memory-Mediated Goal Drift in Long-Horizon Agents — Measurement and Training-Free Re-anchoring

二、为什么是这个（三条独立缝隙的交集，均已查新验证）

查新确认的三个残留缝隙，本课题恰好取交集：

缝隙	出处	现状
① goal drift 修复全部在单 run 内	LivePlan (2608.06701) / 图 RL (2608.14109) / AgentTether (2607.06273)	跨 run/长周期系统性漂移无人做，2608.14109 自己留作 future work
② 记忆库运维全部假设目标固定，且多为单会话语境	TEPA / STALE / TARL / MemTxn	它们只管"条目与世界失配"，不管"条目与用户目标失配"，更不管跨 run 传播
③ training-free 干预只在代码域走通	LivePlan（SWE-bench）	非代码域的通用 training-free 重锚定空白

核心科学假设（论文第一贡献 = 验证它）：一次 run 中的目标漂移会被持久库（用户偏好条目、workflow、成功案例）固化，在后续 run 中被检索复播，使单次偶然漂移变成系统性偏离——库不仅是资产，也是漂移的存储器与放大器。

三、贡献点（3+1）

测量：定义 memory-mediated goal drift；在多 run 任务序列上量化"库内被污染条目的复播率 → 后续任务失败"的因果链（对标 VibeLifeBench 官方把 22.2% 失败归因于记账的做法，但镜头对准经验库的漂移复播）
探针 benchmark（小）：STALE 配方——在任务序列中注入受控漂移事件（用户意图演化 / 世界静默变化 / 误导性成功），测各记忆系统的复播率与恢复时间（几百场景规模，注入式、可复现）
Training-free 方法：run 边界"漂移检查点"协议——(a) 目标锚定摘要（每 run 固定锚，借 LivePlan 的 deterministic Monitor 思想搬到 run 边界）；(b) 库条目 provenance + 目标一致性元数据（借 TEPA 的 validity 状态，但按"与用户目标一致性"而非"与世界一致性"裁决）；(c) 检测到漂移时的重锚定：隔离/降权污染条目 + 重申原始目标。全协议层，零梯度、零 GPU
分析：维护开销 Pareto（检查点频率 × 准确率 × token 成本），回应"审计本身多贵"的必然审稿问题

四、数据集（已按复现成本核实）

角色	数据集	用途	复现
主战场	VibeLifeBench 开放 20 任务子集（1,483 个静默变异）	多周跨 run + 世界/意图演化的真实序列，方法主表	中（纯 mock 服务，离线确定式判分）
受控靶场	MemoryAgentBench（多 session 切片，SF/CR）	免判官 exact-match，诊断实验 + 消融最快出数	易（依赖最浅，注意 numpy<2 等依赖钉版）
扩展/备用	LifelongAgentBench 单环境子集或 TheAgentCompany 通信类 20-30 任务	广度行，证明非单一环境有效	中/难（TAC 需专人背运维，可选）
基线系统	Mem0、A-MEM、Letta(archive-V1 钉版)、Memento(Agent-on-the-Fly/Memento) + 免费行 no-mem/RAG/full-ctx	被审计/被修复对象	Letta V1 已归档需钉分支；ExpeL/AWM 绑旧环境慎选

规避：不用 LongMemEval-V2 正式口径（锁自托管 Qwen3.5-9B + GPT-5.2 判官，无 GPU 只能非官方报数，rebuttal 必被问）；STATE-Bench 正式提交锁 GPT-5.4 且强制 5 runs，只做非正式参考。

五、投稿目标（官网已核实日期）

主目标：WWW 2027（CCF-A，都柏林）——abstract 10-18 AoE，full 10-25 AoE，剩 8.6 周。 理由：① 8.6 周 = 6 周实验 + 2 周写作 + 1 周打磨，单人可行；② WWW 近两届有 Web Agents 议程/special track，agent+记忆+Web 任务最对口；③ 录用通知 2027-01-04，早于 IJCAI/ICML 投稿季，失败无缝转投。

为什么不冲 ICLR 2027（full 09-25，剩 4.3 周）：课题 8 月底刚因查新转向，无预实验支撑；4.3 周完成"诊断验证+方法+写作"失败成本过高；摘要 09-18 即锁作者与 scope。若前两周进展神速且坚持冲刺，决策点最晚 09-11。

转投阶梯：WWW 2027 (10-25) → IJCAI 2027 (~01-19) → ICML 2027 (~01-28) → ACL 2027（ARR 一月周期）。CVPR（需视觉成分，契合中低）、KDD C2（~02 月）备选。AAAI 2027 / ICSE / FSE 2027 已过或需 SE 叙事，排除。

六、时间表（8.6 周，从明天起）

周	日期	里程碑
W1	08-27 ~ 09-02	MemoryAgentBench 跑通 + Mem0/A-MEM 基线 → 第一张诊断表；并行搭 VibeLifeBench 环境
W2	09-03 ~ 09-09	漂移注入探针 + 复播率→失败因果量化。go/no-go 决策点（09-09）：假设不成立 → pivot"跨 run 库一致性维护"（同栈复用 ~90%）
W3-5	09-10 ~ 09-30	检查点协议方法实现 + MemoryAgentBench 主表 + 消融（锚定/元数据/重锚定三组件逐一去除）
W6	10-01 ~ 10-07	VibeLifeBench 主实验 + 维护开销 Pareto
W7-8	10-08 ~ 10-21	写作、打磨、内审
—	10-18 / 10-25	WWW 2027 abstract / full 提交

七、风险与对策

VibeLifeBench 复现踩坑（2026-08 刚挂出）→ 保底组合：MemoryAgentBench 主表 + LifelongAgentBench 替换 VibeLifeBench
漂移构造的生态效度被质疑 → 双口径：注入式探针（可控）+ VibeLifeBench 真实意图演化（生态效度）；引用 Mem0 生产 Issue #4956（ADD-only 矛盾累积、stale 条目照常 top-k 检索）作现实佐证
基线失修 → 全部钉版本、统一 harness 重跑、报告审计公平性声明；必要时缩为 Mem0 + A-MEM + Letta 三个
与 TEPA/STALE 的区分（rebuttal 预案）→ 它们：条目 vs 世界、单会话、目标固定；本文：条目 vs 用户目标、跨 run 传播与复播、检测+重锚定。related work 用你的 skill 生命周期框架做地图

八、立即可做的三件事

克隆 MemoryAgentBench + Mem0/A-MEM 仓库，钉版本，跑通 fact_mh/fact_sh + event_qa 的基线两行（A 线日程 D1-D2）
在任务序列上手工构造 3 个漂移复播案例（小样本定性验证故事成立，1-2 天）
读四篇必读：TEPA (2608.07429)、STALE (2605.06527)、LivePlan (2608.06701)、MemTxn (2607.27834)——related work 的四根桩

实验栈与复现成本（行动指南）

导读每个候选 benchmark 与基线系统的复现评级、开销估算与 7 天出第一张主表的具体日程（D1–D7）。硬结论：MemoryAgentBench + Mem0/A-MEM 纯 API 零 GPU 可冲刺；LongMemEval-V2 正式口径锁自托管模型；TheAgentCompany 不适合短周期。含 A 线（4 周）/ B 线（8–16 周）两条时间线组合。

实验栈可行性核查报告（benchmark 复现成本 + 基线系统可用性）

日期：2026-08-26。目的：为「智能体记忆库的运行期一致性维护/审计」课题选定最快出第一张主表的实验栈。信息来源均为 arXiv 页面 / GitHub README / 官方博客原文（链接附后）。

一句话总览

纯文本、API 即跑、7 天内能出表的组合确实存在：MemoryAgentBench（主）+ LoCoMo-Plus（副）+ Mem0/A-MEM（被审计对象），零 GPU。
有说服力的重型选项：LongMemEval-V2（需自托管 Qwen3.5-9B + embedding 模型的 GPU）与 VibeLifeBench（20 任务开放子集已放出、离线 Docker 化）。
TheAgentCompany 最重（30GB Docker 全家桶、175 任务镜像、每任务初始化最长 10 分钟），不适合 4 周冲刺。

任务一：Benchmark 复现成本逐项核查

1. LongMemEval-V2 （arXiv 2605.12493）

项	结论
归属勘误	UCLA（Di Wu, Kai-Wei Chang 组，xiaowu0162），不是 NUS
Repo	https://github.com/xiaowu0162/LongMemEval-V2 ；数据 https://huggingface.co/datasets/xiaowu0162/longmemeval-v2 ；主页 https://xiaowu0162.github.io/longmemeval-v2/
规模	451 题（人工精标）、1,870 条轨迹（WebArena/WorkArena/WorkArena++）、5 种记忆能力、web+enterprise 两域；Small 档＝共享 100 轨迹 haystack≈25M token，Medium 档＝每题专属 500 轨迹、最大 115M token
评测脚本	现成且工程化程度高：`evaluation/scripts/run_*.sh` 六条命令覆盖全部官方基线，输出 `aggregated_metrics.json`，另有 leaderboard 打包脚本
插件接口	极佳：自定义记忆后端只需继承 `memory_modules.memory.Memory` 并实现 `insert(trajectory)` / `query(query, query_image)`，加 `@register_memory` 注册 —— 我们的方法接入只需百行左右
官方基线	no_retrieval 1.3%；RAG(query→slice) ≈42%；RAG+notes ≈51%；AgentRunbook-R 58.6%(S)/57.0%(M)；vanilla Codex 69.9%/68.7%；AgentRunbook-C 74.9%/70.1%（摘要口径：最强者平均 72.5%，最强 RAG 48.5%，vanilla coding agent 69.3%）
协议锁定	正式榜要求 reader 必须含 `qwen3.5-9b`、judge 必须为 `gpt-5.2`
依赖	Python 3.11 + torch cu124；vLLM 不随仓库提供，须自建 OpenAI 兼容服务托管 Qwen3.5-9B（reader+RAG controller）与 Qwen3-Embedding-8B；GPT-5.2 判官走 OPENAI_API_KEY；codex/agentrunbook_c 基线还需下载 Codex v0.117.0 二进制 + `rg`/`find`
451 题开销估算	Insert 端：把 small 档 haystack（两域合计约数十 M token）过一遍 embedding/controller；Query 端：每题回传 ≤200K token 交固定 reader，451 题 ≈ 至多 9000 万 prefill token。单卡 H100 vLLM 约每小时千万～两千万 prefill，reader/judge 一晚跑完；RAG 类一行约半天~1 天墙钟。Codex 系基线实测 177–186 s/题 → 串行 22h，可并行压到数小时
复现评级	中（有 GPU 3–5 天跑通第一条基线；无 GPU 需先租卡或改降级口径，7–10 天）
子集快评	支持：`TIER=small`、单域单独跑、questions 截取均可（正式榜提交才校验全集一致性）

2. LoCoMo-Plus （arXiv 2602.10715，ACL 2026 main long）

项	结论
Repo	https://github.com/xjtuleeyf/Locomo-Plus ；ACL Anthology: https://aclanthology.org/2026.acl-long.1150/
与原版区别	在 LoCoMo 五类之上新增第六类 Cognitive：cue–trigger 语义断连，正确行为取决于早期隐含约束（用户目标/状态/价值观），并主张用「约束一致性」判分替代字符串匹配；判官打分 1 / 0.5 / 0
数据	随仓库发布（`locomo_plus.json` + `locomo10.json`，10 段长对话），无需外下载数据集
基线	论文已跑 backbone LLM、RAG 管线、A-Mem、Mem0 等记忆系统 → 数字可直接引用对照
依赖	`openai` + `tqdm`（生成侧另需 `rank_bm25`/`sentence-transformers`），配 `OPENAI_API_KEY`/`OPENAI_BASE_URL` 即跑
复现评级	易（1 天跑通全部六类的自己的基线行）
子集快评	数据本身就小；弱点正是样本量小，需 bootstrap CI / 多 seed 报告

3. MemoryAgentBench （arXiv 2507.05257，ICLR 2026）

项	结论
Repo	https://github.com/HUST-AI-HYZ/MemoryAgentBench ；数据 https://huggingface.co/datasets/ai-hyz/MemoryAgentBench
作者	Yuanzhe Hu, Yu Wang, Julian McAuley（UCSD）
口径	四能力：Accurate Retrieval / Test-Time Learning / Long-Range Understanding / Selective Forgetting(Conflict Resolution)；2,071 个实例、103K–1.44M token；把既有长文本切块成增量多轮「一次注入、多次提问」，显著省调用费
指标	大多为 exact match / substring match，几乎不需要 LLM 判官（仅 longmemeval 子集与 infbench_summarization 用 gpt-4o 判官）→ 便宜且可复现
内置基线	长上下文 agent、三类 RAG、以及 letta/cognee/hipporag 等 agentic memory 集成（论文还评了 MIRIX、MemGPT）
已知坑	依赖冲突明确写在 README：`numpy<2`；hipporag 2.0.0a3 要求 `openai==1.58.1` 需独立环境；letta/cognee 可能要先装再卸再装
复现评级	易～中（避开 hipporag/cognee，只用长上下文+RAG+自家记忆封装时，2–3 天出 AR/SF 两列数字）
子集快评	支持：按数据集配置文件任选切面（fact_mh/fact_sh/event_qa/ruler_qa/ICL 系列/recsys…），逐切片跑

与本课题契合点：SF/CR 切片（FactConsolidation 反事实改写序列，6K–262K）就是「存储内事实互相矛盾、谁覆盖谁」的受控实验场，是记忆库一致性审计最直接的靶场。

4. STATE-Bench （微软，2026-05-19 发布）

项	结论
Repo	https://github.com/microsoft/STATE-Bench ；发布公告 https://opensource.microsoft.com/blog/2026/05/19/introducing-state-bench-a-benchmark-for-ai-agent-memory/
论文号	未见 arXiv 论文（截至 2026-08 只有官方博客 + GitHub release；引用需引 repo/blog）
设计	450 企业任务（travel/customer support/shopping 各 150）；任务级沙箱数据库 + 领域工具 + 用户模拟器 + 确定性状态断言；指标 pass@1、pass^5（五次全成才计）、UX 打分、Cost/Task —— 直接度量「记忆是否提升任务成功与跨次一致性」
双轨制	Main Track 评 agent 本体；Agent Learning Track 提供 train trajectories + `retrieve_learnings(top_k=3)` 注入钩子（原 Memory Track），允许可插拔的记忆/skill/prompt 优化产物
基线	GPT-5.1 无记忆：总体不到一半任务可靠完成，travel 域 pass^5 仅约 30%
协议锁定	正式提交：GPT-5.4 锁定为模拟器+判官客户端、禁改 task/prompt/tool 文件、`--num-runs 5`
复现评级	易～中（部署轻，pip 安装即可起；贵在全量 450×5 次多轮对话的 API 费）
子集快评	支持（单域或按 task 子集 + 降 run 数做非官方口径，2–4 天出首条基线）

5. TheAgentCompany （CMU）

项	结论
Repo	https://github.com/TheAgentCompany/TheAgentCompany ；实验记录 https://github.com/theagentcompany/experiments
部署重量	重：docker-compose 起 GitLab + Plane + ownCloud + RocketChat 全家桶（预置数据，30GB+ 磁盘；官方基线机为 EC2 t3.2xlarge）；Mac/Windows 需开启 host networking，启动卡死需手工拉 Plane 配置
跑法	基于 OpenHands 的 `run_eval.sh`；175 个任务各自独立 Docker 镜像；每任务 `/utils/init.sh` 重置服务数据、健康检查最长约 10 分钟；评分脚本加密但有公开解密密钥，部分 grader 还需环境 LLM（LITELLM_* 配置）
时长估计	每 agent 任务墙钟约 30 分钟～数小时 → 全量 175 任务串行为一周级别，靠容器并行可压至 2–3 天，但服务稳定性抖动会吃掉收益
自动评分	有（checkpoint 式 rubric，部分需要 LLM 评分）
复现评级	难（搭环境→跑通首个基线 3–7 天，且以运维为主而非科研）
子集快评	支持任选任务镜像；建议只用 communication/document 类低交互任务构成 20–30 任务子集
与课题摩擦	任务间没有内置跨任务记忆连续性语义；要做「记忆库运维」需要在 harness 层自行构造持续经验流 → 额外工程量

6. VibeLifeBench （arXiv 2608.10875，小红书/EvolventAI）

项	结论
Repo	已放出：https://github.com/evolvent-ai/VibeLifeBench （2026-07-25）+ Terrarium 引擎 + HF https://huggingface.co/datasets/EvolventAI/Vibelifebench ；主页 https://vibebench.github.io/VibeLifeBench_homepage/
开放范围	开源 20 任务开放子集（10 域 ×2，489 stages、1247 atomic checks，中英双语、完全自包含）；完整 200 任务未公开，可邮件让对方代跑
环境	22 个 mock 服务（MCP 形态、共 288 工具；21 个被子集引用），`build_images.sh` 一次构建约 10 分钟；Docker + Python 3.12 + uv；Terrarium 引擎 pin 在固定 commit，agent 固定 OpenClaw 2026.7.1 harness；全程离线、确定式（唯网络流量是模型端点）
运行成本	README 直言 20 任务全量是 "many hours of wall-clock"，每个 trial 回放多周时间线（stages 事件流：user_message/mutation/notification/world/policy_update，其中 1,483 个静默变异无人通知），默认 attempts=4、timeout 14400s
基线	七个前沿模型全低分：最强 Claude Opus 5 avg@3=32.5、best-of-3=41.2；所有模型从时间线开头到结尾一致性衰减 10–15 分
License	服务实现 19/22 为 MIT（个别缺失）；任务包本体 task-only release
复现评级	中（1–2 天搭好并冒烟跑单任务；接自定义记忆系统需包装 OpenClaw 工作区的记忆路径）
子集快评	一等公民：runner 显式支持 `--tasks ID ...`、`--domains`、`--attempts N`
与课题契合点	「世界在你不知情时变化」直接制造记忆陈旧/矛盾样本，评分又只读落盘的世界终态与工作区工件 —— 是天然的一致性压力测试台

任务二：被审计对象（基线系统）代码可用性

系统	Repo / License	维护状态	可复用性
Mem0	https://github.com/mem0ai/mem0 ，Apache-2.0，约 62.5k star	极活跃（monorepo，24 个 LLM 后端、30 个向量库）	最高：`add/search/update/delete` 接口干净；仓库自带 `evaluation/` 目录含 LOCOMO 评测与 experiment runner，可整体搬用；另有 mem0ai/memory-benchmarks 评测套件
A-MEM	论文复现版 https://github.com/WujiangXu/AgenticMemory ；系统库版 https://github.com/agiresearch/A-mem 、https://github.com/WujiangXu/A-mem-sys （均 MIT，库版约 386–1152 star）	NeurIPS 2025；低频维护但接口稳定	高：`AgenticMemorySystem.add_note/search_agentic/update/delete` + Zettelkasten 演化，pip 级接入，是被审计对象里最顺手的「结构化记忆+自动演化」代表
AWM	https://github.com/zorazrw/agent-workflow-memory （CMU，arXiv 2409.07429）；配套 https://github.com/zorazrw/workflow-induction-toolkit	2024 年科研代码，低维护；license 需进仓核对	中：WebArena/Mind2Web 管道绑定活环境不宜直跑；但 workflow-induction-toolkit 可单独借用，把它当「从成功/失败轨迹归纳可复用知识」的记忆写入器接到我们自己的轨迹流上，成本低得多
ExpeL	https://github.com/LeapLabTHU/ExpeL （AAAI 2024 Oral）	2023–24 年代码，基本停更	中低：hydrBased `train.py`/`insight_extraction.py` 只绑 hotpotqa/alfworld/webshop/fever 四个旧环境；移植到 2026 对话记忆基准需重建数据适配层（约一周）。价值在于其 insight/经验管理的提示词与流程可直接借鉴
Memento	https://github.com/Agent-on-the-Fly/Memento （镜像 Memento-Teams/Memento；arXiv 2508.16153）。勘误：不存在 “QwenLM/MMA” 这一仓库；Qwen 官方仅有 QwenLM/Qwen-Agent，Memento 出自 UCL Jun Wang 组（Agent-on-the-Fly）	2025.08 开源非参数 CBR、2025.10 开源参数化 retriever；仍有更新	中高：Case Bank 读写的非参数 CBR 路径开箱即用（planner GPT-4.1 + executor o4-mini/o3，MCP 工具层）；移到对话记忆场景需替换其搜索/爬取工具层；GAIA val 87.88% Pass@3 可作强基线卖点
Letta (MemGPT)	https://github.com/letta-ai/letta （现仅为 landing page），Apache-2.0，约 24.4k star；活跃开发已迁至 https://github.com/letta-ai/letta-code	V1 server 已归档（archive 分支），明确声明不再修复；新栈是 TS 的 letta-code + Agent SDK（TS only）+ MemFS（git 版本化记忆 + dreaming）	中：复现经典 MemGPT/Letta 基线必须钉住 `archive` 分支或 PyPI `letta` 旧包，否则数字不可比；反过来 MemFS 的 git 化记忆是「天生可审计」的实现基底，可作为 B 线的一个方法论亮点而非单纯基线

任务三：两条时间线的推荐组合

A 线 · 4 周冲刺（目标 ICLR 2027，9 月下旬截稿）

原则：纯文本、纯 API、零 GPU、所有 cell 冻结同一 backbone（gpt-4o-mini 或同档国内可直连替代）。

角色	选择	理由
主 benchmark	MemoryAgentBench	ICLR'26 已接收、免判官 exact-match 指标、"一次注入多次提问"省费；SF/CR 切片（FactConsolidation 反事实改写）就是记忆一致性维护的受控靶场；依赖最浅
副 benchmark 1	LoCoMo-Plus（六类 + Cognitive 约束一致性判分）	一天接入，为「隐含约束在存储中失真」提供第二证据源；其论文表格直接给出 A-Mem/Mem0 可引用对照
副 benchmark 2	STATE-Bench Agent Learning Track 单域子集（如 travel 的 30–50 任务，num_runs=3 非官方口径）	补上「下游任务成功率 / pass^n 跨次一致性 / 成本」这一纵向维度；若能搞到 GPU 则改用 LongMemEval-V2-Small（单域起步），权威性更高
基线系统	Mem0 + A-MEM（必选）；Letta(archive V1) 或 Memento(非参数 CBR) 二选一	前两者 pip 级接入、均是被广泛引用的对话记忆系统；Mem0 仓库自带 LOCOMO 评测脚手架可直接改造

第一张表怎么在一周内出来 - D1：跑通 MemoryAgentBench 的 fact_mh/fact_sh + event_qa 两列（长上下文行 + RAG 行）。 - D2：以同一口径接 Mem0、A-MEM，得到基线两行。 - D3–D4：LoCoMo-Plus 六类重算同一批系统（repo 数据即装即用）。 - D5：实现审计探针——在轨迹注入流上对每个系统做运行期诊断（矛盾条目率、陈旧条目率、写后覆盖冲突数、检索一致率），产出诊断列。 - D6：把诊断指标与 SF/CR 切片的准确率下降做相关/回归分析。 - D7：汇总 LaTeX 主表 + bootstrap 置信区间；同步留出消融钩子。

B 线 · 8–16 周从容（目标 WWW 2027 / ICML 2027）

原则：至少一张「大规模/活环境」的重头戏表 + 广度表 + 维护开销-精度权衡曲线。

角色	选择	理由
主 benchmark	LongMemEval-V2（先 Small 后 Medium 两档）	451 题、25M/115M token 的规模权威性；`insert/query` 插件接口干净；精度-延迟 Pareto（LAFS）正好承载"维护开销换一致性收益"的论证
副 benchmark 1	VibeLifeBench 开放 20 任务子集	1,483 个静默世界变异 = 天然的一致性压力测试；确定式离线可审计的评分；中英双语利于叙事
副 benchmark 2	MemoryAgentBench 全集	用 SF/CR + TTL 全切面补广度，且可与 A 线结果复用
可选加强	STATE-Bench 全协议（GPT-5.4 × 5 runs）；或 TheAgentCompany 通信/文档类 20–30 任务子集	仅在有一名工程人力专门背运维时上 TheAgentCompany
基线系统	Mem0、A-MEM、Letta（优先试新 MemFS/git 化记忆，或钉 archive V1）、Memento(CBR Case Bank)、AWM(借 workflow-induction-toolkit 做写入器)	外加 LME-V2 官方自带的 RAG / AgentRunbook-R / AgentRunbook-C / Codex 基线 —— 这几行是免费的
算力前提	≥1 张 H100/A100 起自托管 Qwen3.5-9B + Qwen3-Embedding-8B 服务	没有就只能降到非官方口径

另注：LongMemEval-V1（500 题、115K–1.5M token、生态成熟）可作为 B 线的中档补充实验或 A/B 线之间的过渡验证点。

最大复现风险

协议锁模型 → 算力与预算门槛：LME-V2 正式口径要求自托管 Qwen3.5-9B（reader + RAG controller）+ Qwen3-Embedding-8B（vLLM 不在仓库依赖内，需自己起服务）+ GPT-5.2 判官，Codex 系基线还需 Codex v0.117.0 二进制；STATE-Bench 正式提交锁 GPT-5.4 且强制每任务 5 次。拿不出 ≥1 张 H100 级 GPU 或充足 API 预算，就只能以「非官方协议」报数，rebuttal 必然被问协议一致性。
被审计对象的版本漂移与科研代码失修：Letta V1 已归档不修（必须钉住 archive 分支才可比）、ExpeL/AWM 是 2023–24 年绑旧环境的代码需自建适配层、MemoryAgentBench 存在 hipporag(openai==1.58.1)/cognee/letta/numpy<2 的依赖地狱。若各基线不在同一个统一 harness 与同一 backbone 下重跑，「审计公平性」本身会被审稿人质疑。（B 线若再引入 TheAgentCompany，还要背上 30GB Docker 全家桶与服务脆弱性的额外运维风险。）

附：链接速查

LME-V2：https://github.com/xiaowu0162/LongMemEval-V2 ・ https://arxiv.org/abs/2605.12493 ・ https://huggingface.co/datasets/xiaowu0162/longmemeval-v2
LoCoMo-Plus：https://github.com/xjtuleeyf/Locomo-Plus ・ https://aclanthology.org/2026.acl-long.1150/
MemoryAgentBench：https://github.com/HUST-AI-HYZ/MemoryAgentBench ・ https://arxiv.org/abs/2507.05257 ・ https://huggingface.co/datasets/ai-hyz/MemoryAgentBench
STATE-Bench：https://github.com/microsoft/STATE-Bench ・ https://opensource.microsoft.com/blog/2026/05/19/introducing-state-bench-a-benchmark-for-ai-agent-memory/
TheAgentCompany：https://github.com/TheAgentCompany/TheAgentCompany ・ https://github.com/theagentcompany/experiments
VibeLifeBench：https://github.com/evolvent-ai/VibeLifeBench ・ https://arxiv.org/abs/2608.10875 ・ https://huggingface.co/datasets/EvolventAI/Vibelifebench ・ https://vibebench.github.io/VibeLifeBench_homepage/
基线：https://github.com/mem0ai/mem0 ・ https://github.com/WujiangXu/AgenticMemory ・ https://github.com/agiresearch/A-mem ・ https://github.com/zorazrw/agent-workflow-memory ・ https://github.com/zorazrw/workflow-induction-toolkit ・ https://github.com/LeapLabTHU/ExpeL ・ https://github.com/Agent-on-the-Fly/Memento ・ https://github.com/letta-ai/letta ・ https://github.com/letta-ai/letta-code

2026 年末截稿的 CCF-A 投稿窗口

导读官网逐条核实的日期表与组合策略。ICLR 2027 全文 09-25（4.3 周，冲刺高风险）；WWW 2027 全文 10-25（8.6 周，最优默认解）；IJCAI/ICML/ACL 在 2027 年 1 月。AAAI/ICSE 已关闸。含 AoE 时区与每周复核提醒。

2026 年末–2027 年初截稿的 CCF-A 会议投稿窗口清单

调研日期：2026-08-26（所有"剩余周"以该日为基准）用途：规划一篇 长程 LLM agent（含记忆机制） 方向论文的投稿窗口核实方式：均优先采用会议官网 dates 页（已逐条标注来源）；聚合站（myhuiban、wikicfp 等）仅作交叉参考，与官网冲突时以官网为准。时区说明：ML 类多用 AoE（Anywhere on Earth, UTC-12），等于给北京时间多留约 16–20 小时缓冲；AAAI 用 UTC-12 同义。 CCF 等级依据：CCF 推荐国际学术会议目录（2022 版，最新现行版）。ICLR 目前未列入 CCF 目录，但国内多数高校/评奖实践中按 CCF-A 级对待（清华、多家企业榜单均列为 top-tier），下文按"视同 A（未正式入榜）"处理并明确标注。

一、总表（按全文截稿升序）

会议	摘要截稿	全文截稿	时区	距今	CCF	契合度
~~AAAI 2027~~	2026-07-21	2026-07-28	UTC-12	已过	A	（错过主赛道）
~~ICSE 2027~~（补充）	2026-06-23	2026-06-30	AoE	已过	A	SE-agent 可改投姊妹会（见 FSE）
ICLR 2027 ⭐冲刺	2026-09-18（五）	2026-09-25（五）	AoE	3.3 / 4.3 周	视同A*	高
FSE 2027（补充）⭐备选	无独立摘要截止（仅全文一次提交）	2026-10-02（五）	AoE	5.3 周	A	中高
ARR 2026 十月周期→NAACL/COLING 2027	—	2026-10-12（一）	AoE	6.7 周	NAACL=C / COLING=B	中高（备胎，非A）
WWW 2027 ⭐从容首选	2026-10-18（日）	2026-10-25（日）	AoE	7.6 / 8.6 周	A	高
CVPR 2027	预计 2026-11 上旬（官网未公布）	预计 2026-11 中旬（~11/13）	AoE	~10.4 / ~11.3 周（估）	A	中低
IJCAI 2027	预计 2027-01 中旬（~01/12，官网未公布）	预计 2027-01 下旬（~01/19）	AoE	~19.9 / ~20.9 周（估）	A	中高
ACL 2027（经 ARR 2027 年 1 月周期）	ARR 提交预计 2027-01 中旬（官网写 "January, 2027"，具体日 TBA）	同左（单次提交）	AoE	~19.7 周（估）	A	高
SIGIR 2027	预计 2027-01 中旬（~01/15，官网未公布）	预计 2027-01 下旬（~01/22）	AoE	~20.3 / ~21.3 周（估）	A	中
ICML 2027	预计 2027-01 下旬（~01/23，官网未公布）	预计 2027-01 底（~01/28）	AoE	~21.4 / ~22.1 周（估）	视同A*	高
KDD 2027 第二轮	预计 2027-02 初（官网未公布）	预计 2027-02 初（+1 周）	AoE	~22.7 / ~23.7 周（估）	A	中
NeurIPS 2027（仅参照）	预计 2027-05-04	预计 2027-05-06	AoE	~35.9 / ~36.1 周（估）	视同A*	高
ACM MM 2027（远期参照）	预计 2027-03~04（TBA）	预计同前后一周	—	>28 周（估）	A	中低

已过截止且 2026 年内不再开的 A 类：AAAI-27（7 月底）、ICSE-27（6 月底）、KDD-27 第一轮（7 月底）。这三者的下一班车分别为 AAAI-28（约 2027 年夏）、FSE/ASE 2027、KDD-27 二轮（约明年 2 月初）。

二、逐会核实细节

1. ICLR 2027 —— 已官宣，日期确定 ✅

来源：iclr.cc/Conferences/2027/AuthorGuidelines（官网）
Abstract：2026 年 9 月 18 日 23:59 AoE
Full paper：2026 年 9 月 25 日 AoE
关键规则：摘要截止后不能再增加作者（只能调序），摘要会被用于 reviewer bidding，禁止占位摘要；正文 ≤9 页（camera-ready 才放宽到 10 页）；OpenReview 提交、双盲。
距今：摘要 3.3 周 / 全文 4.3 周
契合度：高——agent + memory 方法论文的第一梯队阵地（近年 memory/agent 系统帖密度最高），公开评审利于算法类工作被看见；代价是竞争最激烈、审稿方差大。
建议：如果想冲这一班，必须在 9/18 前完成 scope 锁定 + 主实验跑完 + 完整初稿，只剩 3 周多。

2. WWW 2027（The ACM Web Conference）—— 已官宣，日期确定 ✅

来源：acmweb2027.org/important-dates（官网，全体 AoE）
Research & Industry Track：Abstract 2026-10-18；Full 2026-10-25
Short papers：Abstract 11-09 / Full 11-16；Web4Good 特殊 track：Abstract 11-09 / Full 11-16
Rebuttal：12-21~12-31；Notification：2027-01-04；开会：2027-05-10~14，都柏林
注意：部分聚合站仍写"10-11 截稿"，为旧数据，以官网 10-18/10-25 为准。
距今：摘要 7.6 周 / 全文 8.6 周
契合度：高——近两届专设 Web Agents / Agentic Web 相关议程，LLM agent、工具调用、网页任务论文量大，时间窗正好处于"从容区间"下沿。

3. CVPR 2027 —— 官网日期页尚未挂出 ⚠️ 待确认

已确认信息：地点 Seattle，会期 2027-06-20 起（thecvf.com 新闻）；投稿经 OpenReview。
预计（依据 CVPR 2026 实际执行：摘要 11-07 / 全文 11-13 AOE，且"日期固定不延期"）：摘要 ≈2026-11 上旬，全文 ≈2026-11 中旬（~13 日）。个别聚合器给出 ~10-30 的估计，差异约两周，需以官网为准。
风险提示：CVPR 近年曾在系统故障时把摘要延 24h，但全文截止从不延期。
距今：估摘要 ~10.4 周 / 估全文 ~11.3 周
契合度：中低——除非论文带视觉成分（GUI 截图理解、VLM 视觉记忆、视频流长程任务），纯文本 long-horizon agent 不建议硬投。

4. AAAI 2027 —— 已过截止 ❌

来源：aaai.org/conference/aaai/aaai-27/（官网）
Abstract 2026-07-21 / Full 2026-07-28（UTC-12）；补材料 07-31；Phase-1 拒稿通知 09-24；最终通知 11-30；开会 2027-02-16~23 蒙特利尔。
结论：主赛道今天（08-26）已关闸 4 周，本轮无法再投；若干细分 track（如特定 workshop/competition）另议，但不属于主会 CCF-A 计分口径。
顺带影响：不要为了赶它而压缩质量，也意味着 ICLR 之后无缝接 WWW/IJCAI/ICML 的节奏更关键。

5. ACL 2027 与 ARR 周期 —— 官网部分确定 ⚠️ 具体日 TBA

来源：aclrollingreview.org/dates（官网）+ 2027.aclweb.org
ARR 已公布的 cycle：
August 2026 cycle：提交 08-03（已过）
October 2026 cycle：提交 2026-10-12，cycle 结束 12-20 → 承接对象为 NAACL 2027 & COLING 2027（非 CCF-A，NAACL=C/COLING=B，只作备胎）
下一个 cycle ≈2027 年 1 月中旬（官网只写 "January, 2027"；新赛制每期首日均为周一，估计 01-11 或 01-18，待官网更新确认）→ 这才是 ACL 2027 对应周期，commitment 日期 TBA。
ACL 2027：京都，2027-08-17~22。
提醒：ARR 提交即代表所有作者须注册 reviewer（48h 内），漏注册可被 desk reject；EMNLP 2026 的 ARR 窗口（05-25）也已过，别误投。
距今：十月周期全文 6.7 周；ACL 所在一月周期 ~19.7 周
契合度：高——NLP 视角的 agent 与记忆建模是 ACL 主场（工具使用、交互式评测、memory 综述/方法都常见）。

6. SIGIR 2027 —— 官网未公布 ⚠️

依据：SIGIR 连续多年固定"1 月中下旬投、4 月通知、7 月开会"；最近一届 SIGIR 2026 为摘要 01-15 / 全文 01-22（AoE）。据此预计 摘要 ~2027-01-15、全文 ~2027-01-22，待官网 CFP 确认。
举办地尚未正式公布（hosting 信息未出）。
契合度：中——如果论文能落到"搜索/检索型长程任务""agentic RAG·search agent·会话式信息获取"叙事上就非常契合；否则容易被判 out-of-scope。

7. ICML 2027 —— 官网未公布 ⚠️

依据：ICML 2026 实际执行为摘要 01-23 / 全文 01-28 AoE（icml.cc）。预计 ICML 2027 摘要 ~2027-01 下旬、全文 ~2027-01-28±，待 CFP 确认。
契合度：高——agent 强化学习、记忆机制的算法层创新是 ICML 核心口味；对"system/benchmark 型"工作相对不友好，方法 novelty 要求高。

8. IJCAI 2027 / KDD 2027 / NeurIPS 2027

IJCAI 2027：2026 届（Bremen，与 ECAI 合办）实际执行摘要 01-12 / 全文 01-19 AoE；IJCAI-27 主办地尚未官宣（据 ijcai.org 将在前一届会上公布）。预计 摘要 ~2027-01-12、全文 ~2027-01-19，待确认。契合度中高：AI 大杂烩、录取量较大，agent+LLM 论文常见，但社区对其 tier 观感分化（导师若在意口碑可作备份而非首选）。
KDD 2027：San Jose，2027-08-01~05。第一轮已过：Abstract 07-19 / Full 07-26, 2026（kdd2027.kdd.org 官网）。第二轮（Cycle 2）官网尚未列出，按双轮制惯例预计 ~2027-02 初（摘要与全文相差约 1 周），待 CFP。契合度中：若有数据科学任务形态（如 agent 做数据分析/知识图谱构建）或想投 Datasets & Benchmarks track 则加分；纯 memory 机制方法偏窄。
NeurIPS 2027（参照基准）：NeurIPS 2026 实际为摘要 05-04 / 全文 05-06 AoE（neurips.cc），预计 2027-05 初。距今 ~36 周。契合度高，作为"错过所有前面的车之后"的兜底。

9. 补充发现（同样面向 2026 年内截稿）

FSE 2027（ACM Foundations of Software Engineering，CCF-A）：conf.researchr.org/dates/fse-2027 全文唯一截稿 2026-10-02 AoE（本届无单独摘要截止），初通知 2027-01-22；major-revision 版 2027-03-05；开会深圳 2027-07-12~16。距 5.3 周。契合度中高：若课题往"SWE-agent / coding agent 的长程记忆与运维"靠，这是除 ML 三大外最对口的一班车（SE 社区对 LLM4SE/agentic SE 极热）；投稿体例为 acmsmall 单栏 18 页。
ICSE 2027：单轮制首轮已过（摘要 06-23 / 全文 06-30, 2026），2027 届年内无第二班车，排除。
NAACL/COLING 2027（ARR 十月周期，10-12）：非 CCF-A，仅在需要"练审稿+拿 review 再升级"策略时用。
ACM MM 2027：香港，日期未公布；历届主赛道通常 3~4 月截稿。带视觉/多模态成分的长程 agent 可作为 2027 春天的选项。
未列入原因备注：INFOCOM（8~9 月截稿但主题不符，按要求剔除）、SOSP/OSDI 等系统会（窗口不符且偏离主题）、COLM/EUCL 等虽友好但不在 CCF 目录，不计入本清单（如需"非 CCF 但认可度高的投稿地"可另出一页）。

三、组合策略建议（结合剩余周数）

快攻线（4 周内）：ICLR 2027（9/25 全文）。
前提：已有可用实验栈 + 至少一个能讲成"记忆如何跨长程会话维持状态"的完整故事。Abstract 只要标题+真摘要+作者定序，9/18 前必须提交。
若来不及，FSE 2027（10/02）只晚一周且无摘要前置门槛，但需把论文框架改成 SE 语言（artifact、可复现包、SWE 任务）。
主战线（8~9 周）：WWW 2027（10/18 摘要、10/25 全文）——本期任务的最优默认解。
6 周做实验、2 周写作、1 周内审打磨；中途还能吸收 ICLR 提前流出的评审风向。
长跑线（1~3 月）：IJCAI/SIGIR（1 月）→ ICML/KDD-Cycle2（1 月底~2 月）→ ACL 2027（1 月中 ARR）→ NeurIPS 2027（5 月）。
若投 ACL，请盯紧 aclrollingreview.org/dates 的 1 月具体日期更新（目前仅写 January, 2027）。
风险对冲：本清单所有"预计/TBA"项，建议每周复核一次官网；ML 类（ICLR/ICML/NeurIPS）惯用 AoE，换算北京时间可多吃 16 小时缓冲，务必别在最后一天上午还在改 LaTeX。

附：来源索引

会议	权威来源 URL
ICLR 2027	https://iclr.cc/Conferences/2027/AuthorGuidelines
WWW 2027	https://acmweb2027.org/important-dates/
CVPR 2027（地点）/2026 模式	https://www.thecvf.com/ 、https://cvpr.thecvf.com/Conferences/2026/Dates
AAAI-27	https://aaai.org/conference/aaai/aaai-27/
ARR 周期与承接口	http://aclrollingreview.org/dates
ACL 2027	https://2027.aclweb.org/
ICML 2026 模式	https://icml.cc/Conferences/2026/CallForPapers
NeurIPS 2026 模式	https://neurips.cc/Conferences/2026/Dates
IJCAI 模式/未来承办	https://2026.ijcai.org/ijcai-ecai-2026-call-for-papers-main-track/ 、https://www.ijcai.org/future_conferences
KDD 2027 第一轮	https://kdd2027.kdd.org/research-track-call-for-papers/
SIGIR 2026 模式	https://sigir2026.org/en-AU/pages/submissions/full-papers-track
FSE 2027	https://conf.researchr.org/dates/fse-2027 、https://conf.researchr.org/track/fse-2027/fse-2027-papers
ICSE 2027	https://conf.researchr.org/track/icse-2027/icse-2027-research-track

初版切入点建议存档（已被查新修正）

导读2026-08-26 上午基于三份调研产出的第一版推荐（Self-Auditing Experience）。当日下午查新证实该方向已被重度占坑，遂转向第一章课题。存档供对比与 rebuttal 准备——与 TEPA/STALE 的分歧声明即源于此段历史。

长程智能体研究切入点建议（最终综合）

综合来源：10 篇 2026-08 论文总结（agent_papers_2026\summaries\）+ 3 份调研报告（本目录）+ 用户已有资产（papers\memory 37 篇、papers\skill优化 8 篇详解）。生成日期：2026-08-26。

一、先回答你的两个前置问题

1. 数据集怎么选：饱和度地图

已打穿/饱和（不要作主指标，审稿人会质疑 novelty）： ALFWorld 文本版（>95%）、BabyAI、τ²-bench（99.1%）、BrowseComp（92.2%）、OSWorld-Verified（86.1%）、LongMemEval-V1、LoCoMo（只考表层召回）、HAL（已归档）

经典但有明确余量： - WebShop：55–83%，仍是 RL 训练线的可用验证场 - Visual ALFWorld：46–86%，与文本版差 10–50 点，三年未缩小的模态鸿沟 - ScienceWorld、Crafter、BALROG（NetHack 极难）、WebArena（~60–70%）、AppWorld、SWE-bench Hard 变体

未饱和且开源（2025 底–2026 新出，headroom 巨大）：

Benchmark	长度/特点	SOTA	开源
VibeLifeBench (2608.10875)	200 个多周任务，活世界，19.9% 事件为静默 mutation	32.5/100	✅
SentinelBench (微软, 2026-06)	100 监控任务 × 10 自演化环境	—	✅
Long-Horizon-Terminal-Bench (2607.08964)	46 任务/231 回合/85 分钟/9.9M token	15.2%	✅
Gaia2 + ARE (Meta, 2602.11964)	800 场景，异步时间流，世界不等你	Time/Ambiguity/Noise split <35%	✅
TheAgentCompany (CMU)	175 长程职场任务，一键 Docker	自动完成 30.3%	✅
LongMemEval-V2 (2605.12493)	451 题 × 最多 115M token 历史轨迹	72.5%（RAG 仅 48.5%）	✅
LifelongAgentBench (TPAMI 2026)	3000 任务三环境终身学习	★	✅
STATE-Bench (微软, 2026-05)	直接测"记忆是否提升任务成功"	★	✅

2. 今年大家在解决什么（八分类，按拥挤度排序）

RL 微调/信用分配（最拥挤，WebShop/ALFWorld 上 17/31 篇）：GiGPO→HGPO→HiPER 连环修补组相对优势；verl-agent 统一基础设施导致同质化；Dark Room 负面结果宣告"只报正向数字"时代结束
记忆/经验积累系统（拥挤）：Memento/ReasoningBank/A-MEM/AWM 已成熟模板化
技能库自进化（拥挤，与 2 实质重合）：skill library + retrieval + evolution 三件套固化，创新内卷到二阶元层面
上下文管理/压缩（新爆点）：CompactionRL 已进 GLM-5.2 训练管线，"压缩本身变成可学动作"
长程 RL 基础设施：AgentGym-RL、GEM、AgentRL 补齐环境，边际收益下降
多智能体编排：手写 DAG → RL 训练编排器
错误恢复/自我修正（叙事转变中）：AgentRewind 等，runtime checkpoint+rollback 成统一做法；但"记忆库本身坏了怎么修"几乎空白
安全/目标漂移（最薄弱）：能测量、缺修复，连术语都没统一

关键判断：四路独立证据汇聚到同一个未被命名的空白

VibeLifeBench 实测：持久化记账失败占全部失败的 22.2%，时间线后 1/3 一致性比前 1/3 低 10–15 分
Sleeping Agent：gist 压缩选择性丢失时间锚点（存活率 3%）
ReTree/HyMem：长程运行中状态污染累积是核心痛点，但只在"轨迹级"处理
课题调研：goal drift"能测不能修"；OpenLoopEvolve 的回滚只管"策略版本退化"，不管"库条目与世界失配"

空白：智能体积累的经验资产（记忆/技能库）在长程运行中会腐化——过期（世界变了）、矛盾（条目冲突）、漂移（目标偏移）——现有工作全在"怎么写入/检索"，没有人做"库的运行期健康维护"。

二、主推荐切入点

《Self-Auditing Experience: 让长程智能体维护自己经验资产的一致性》

一句话：把软件工程的"运维"思想引入 agent 记忆/技能库——运行期持续审计库内条目与世界当前状态的一致性，矛盾/过期时做依赖传播失效与受控回滚。

为什么是这一个（五条理由）：

多源信号汇聚的真空区：上节四路证据指向同一失败模式，而八分类里它横跨 ⑦×⑧（最空白交叉带），没有正面竞争者。
你的两张牌正好打在这里：
skill 库的 2026 三共识（结构优于数量、闭环验证防退化、skill=外部权重）中，"闭环验证"就是审计门控的理论基础；GraSP 的 precondition/effect/verifier 三件套是"过期检测"的现成表示；SkillGraph 的 deprecate 操作是"失效传播"的原型
memory 库的"维护操作"（合并/更新/去重/遗忘）+ ReTree 的 truth-maintenance（依据变则结论失效）从轨迹级上移到库级
避开正面红海：不做"第 N+1 个记忆系统"（审稿人疲劳区），做"所有记忆系统的缺失半边"——任何现有系统（A-MEM/Mem0/AWM/Memento）都可以作为被审计对象，天然成为你的基线全家桶。
数据集现成、全开源、未饱和：不需要自建环境。
可行性好：training-free 路线即可发（prompt 层审计协议 + 验证门），有 GPU 再上 RL（把审计建模为 MemAct 式的动作）。

实验设计雏形：

主战场：VibeLifeBench（静默 mutation 是"记忆过期"的天然受控测试床——19.9% 事件不通知 agent，正好测"主动重查+失效"）
副战场：TheAgentCompany（职场长程任务，Docker 一键，社区成熟）+ LongMemEval-V2 的知识更新/时间推理 split（RAG 基线仅 48.5%，提升空间清晰）
可选加强：SentinelBench（监控自演化环境）或 Gaia2+ARE（异步时间流）
诊断实验（论文第一贡献）：量化"库腐化率 → 任务失败"因果链——在 VibeLifeBench 上统计：多少失败可归因于库内过期条目被检索使用（类比其官方的 22.2% 记账失败归因，但把镜头对准经验库）
方法：条目带 validity/precondition 元数据 → 定期/事件触发审计（主动重查世界）→ 矛盾确认后依赖传播失效（ReTree 的 truth maintenance 思想搬到库级）→ 受控回滚或条目更新（SkillOpt 式验证门：验证集接受才落盘）
消融：审计频率（连续 vs 周期 vs 事件触发）、验证门有无、失效传播深度、审计器模型大小（MemSifter 式卸载给小模型省 token）
基线：No-memory、RAG、A-MEM、Mem0、AWM、ExpeL、Memento（全是 memory 库里的论文，你已吃透）

与最近工作的差异声明（rebuttal 预案）： - vs OpenLoopEvolve：它回滚"策略版本"防改进退化；你处理"库条目与世界失配"防环境漂移——正交 - vs ReTree：它在单条轨迹内做 truth maintenance；你做跨任务持久库的一致性维护——时间尺度不同 - vs MedClaw HSD：它蒸馏新技能；你维护已有库的健康——生命周期环节不同（你的 skill 框架里一个是 3.2 获取、一个是 3.5 进化中的"维护"子环节，这个框架就是你的 related work 地图）

风险与对策： - VibeLifeBench 太新（2026-08 刚挂出），复现可能有坑 → 先跑通 TheAgentCompany 保底，VibeLifeBench 作为差异化主秀 - "审计"可能被审稿人说成 heuristic 堆砌 → 诊断实验的因果量化 + 理论化（把库一致性维护形式化为 truth maintenance / belief revision 问题）是防御工事 - 目标会议：ICML 2027（2027 年 1 月底截稿）为主目标，时间充裕；ICLR 2027（2026 年 9 月底）太赶，除非只用 TheAgentCompany+LongMemEval-V2 先冲一篇 workshop

三、备选切入点（不推荐但保留）

B. Visual ALFWorld 模态鸿沟（46–86% vs 文本 95%+，三年未缩小）：信息量最大的空白，但偏视觉多模态，与你积累关联弱，且需要多模态训练资源。 C. Model vs Harness 能力分解（The Horizon Gap 点名无人做）：分析型论文，风险是结论被下一代模型迭代作废，适合做第二篇而非第一篇。 D. 长程轨迹归因方法（华为 benchmark d≥2 崩溃到 0.45）：可做，但标注贵、与你的积累协同弱。

四、明确不做清单

❌ 刷文本 ALFWorld/WebShop 成功率（17 篇内卷区，>95% 天花板）
❌ "又一个记忆/技能系统"（模板化红海）
❌ 把 τ²-bench / BrowseComp / OSWorld-Verified / LongMemEval-V1 / LoCoMo 当主指标（已打穿）
❌ HAL（已归档）

五、下一步（建议顺序）

读三份调研报告原文 + 十篇 summaries（本目录与 agent_papers_2026\summaries\）
复现决策：拉 TheAgentCompany Docker + VibeLifeBench 环境，各跑一个 no-memory 基线摸底（1 周内可完成）
诊断实验先行：在 VibeLifeBench 上统计"过期库条目被引用 → 检查项失败"的量化证据——这个数字成立，论文就成立
若第 3 步证据不足，pivot 到备选 C 或 Gaia2+ARE 训练侧（Sim RL 用 Qwen-AgentWorld 的开源世界模型做扰动注入，与阿里工作形成引用互动）

附录、原始文件索引

本报告由以下 Markdown 源文件自动组装（脚本 build_reports.py）；源文件更新后重跑脚本即可再生成：

最终课题定稿_跨run漂移.md
实验栈可行性.md
2026末截稿CCFA会议清单.md
研究切入点建议.md