Ugens preprints viser, at agenters pålidelighed afhænger af mere end modellen: benchmark-harnesses, persistent memory og authorization-kontrol kan alle flytte resultatet eller skabe skjulte konsekvenser. Den fælles retning er sporbare, versionsstyrede og uafhængigt verificerede workflows.
Tre nye preprints samler sig om agentdrift: RCA-harnesses bør bevare modelens adgang til evidens, agentarbejde skal kunne dokumentere afslutning, og context-reduktion skal måles på reel pris og adfærd frem for tokenforbrug alene.
Denne uge peger fem preprints på samme driftserfaring: simple baselines og end-to-end validering er vigtigere end lokale forbedringer. For platform- og backendteams betyder det at teste retrieval i den rigtige stack og teste agentændringer mod systemets fortsatte adfærd.
Ugens forskning samler sig om en enkel driftspointe: AI-agenter bør måles og begrænses i den konkrete workflow-kontekst, ikke kun på grønne tests eller generelle leaderboard-scorer.