EVOHARNESSBENCH（arXiv:2609.04280）
源：非平稳性放在 外部 harness（tools / skills / specialist agents）而非只放任务流。部署评测看 harness 扩张时的 retention；自演化评测看积累经验对新能力是否仍有用。三缺口：harness-induced forgetting；adaptation 增益不稳定；retention 与 adaptation 可反向拉扯。对照 HarnessEvolve 的 quality/performance 双门与 CONTINUITY 的跨组件契约——扩展能力本身就是回归面。
Harness-of-Harness / HoH（arXiv:2609.01481）
源：在既有 coding harness 外再套一层 planning–coding–testing 迭代；约束可验证产出而非工作流；角色分离（实现时测试 ≠ 独立评估）；progressive disclosure + 版本化历史。相对 standalone harness 平均相对增益 ~52%、最大 ~83%；>70 轮多日自主做出可玩 FPS。对照 Software Factory outer loop 与 HarnessDev「Candidate=harness」——HoH 的 Candidate 更偏 软件产物，harness 作 Optimizer 容器。
TROVE（arXiv:2609.05019）
源：预提交整条 route 会在中间证据失效时被迫执行过期步骤或全局重规划。离线把轨迹蒸馏成原子/组合 skill + 结果条件转移图；在线只 校验并编辑失效后缀（保留 / 局部插入 / 替换后缀）。技能编排应从「先选死结构」改为「证据驱动的选择性改道」。对照 Trace2Tower 的谱模态与 SkillGLoW family。
CUA-Universe（arXiv:2609.05374）
源：真实电脑工作是 GUI+CLI 共享应用状态；App-Forge / Task-Weave / Path-Steer 把桌面软件规模化成 hybrid 环境与轨迹数据。9B 模型在 CUA-Verse / OSWorld / OSWorld-MCP 同时抬成功率并降步数与 token。Harness Tools 层应默认假设双模态，而不是纯 GUI 或纯 shell。
Multi-Harness RL（arXiv:2609.04518）
源：拆开「多 harness 暴露」与「同一 relative-advantage group 内跨 harness 比奖励」。评测 harness 主导（密封评估均值 2.14%→9.27%，×4.3）；Within vs Cross 分组在 held-out 上差距落入噪声。跨 harness credit 主要带来 配置适应，不自动带来可移植能力。报告必须写清 grouping boundary，并用未见 harness 测。对照 Harness-Delta Attribution 与隔离三元组。
Persistent Skills for CUA（arXiv:2609.04869）
源：轨迹 + evaluator 反馈 → 持久、版本化 skill 库；冻结快照执行、参数不动。相对空库对照四域 OSWorld 升温后均值差 5.7–18.6pp；收益有条件，修订 churn 可不恢复原任务。技能库是可审计的程序性记忆，不是「越改越好」的自动神话。
交叉读法（给 articles 就地折入用）
| 主题 | 落点建议 |
|---|---|
| harness 扩张遗忘 / 双评测 | harness-engineering Sensors + Harness-Delta |
| outer loop / 角色分离 / progressive disclosure | harness-engineering Software Factory；self-improvement-loops |
| 选择性 route 编辑 / 组合 skill | agent-skills-engineering |
| GUI+CLI 双模态环境 | harness Tools；CUA 专节可挂 research |
| multi-harness RL 评测主导 | harness-engineering + eval-engineering；隔离三元组 |
| 在线 skill 库演化 | agent-skills + self-improvement |