Paper Library · AI Research Digest
聚焦 AI Agent、金融 LLM 与软件系统方向，每篇论文配一篇深度精读： 核心贡献、关键证据、形式化保证与局限边界。
共 4 篇精读
FinanceHarness: Autonomous Financial Deep Research Framework
通用 Deep Research 写不出合格的金融研报，因为金融研究的本质是「用截止日之前的证据，预判截止日之后的结果」。这篇论文同时给出考卷（FinanceGym：400 道专家标注题 + Point-in-Time 防泄漏沙盒）和答题方法（FinanceHarness 分层智能体框架）。结果：17 个顶尖系统全部低于 40 分，最强的 Claude-Opus-4.7 也只有 34.1 分；所有系统取证题 40–50 分、前瞻判断题仅 5–13 分——「AI 取代分析师」短期仍是伪命题，但证据收集环节的降本已真实发生。
Reflexion: Language Agents with Verbal Reinforcement Learning
Reflexion 的关键不是让模型多想一遍，而是把「行动 → 评价 → 复盘 → 再行动」做成跨试次闭环：Evaluator 判断失败，Self-Reflection 把稀疏奖励和失败轨迹翻译成可执行的文字经验，Actor 在下一次尝试时读取这些经验。整个过程不更新模型权重，却在 HumanEval Python 上把 GPT-4 单次生成的 80.1% 提到 91.0%，在 ALFWorld 解出 130/134 个任务。真正的边界同样重要：MBPP Python 反而下降到 77.1%，WebShop 无显著提升，弱模型也不会因“反思”自动变强——它依赖可靠评价、可修正的错误和足够强的自我诊断能力。
A Programming Paradigm for Spatiotemporal Composability
动态插件真正缺的不是一个 unload API，而是两种正交保证：组件移除后能撤销自己留下的状态（时间可组合性），依赖变化时能自动停用、重连和恢复（空间可组合性）。论文把 effect 与 coeffect 提升为运行时对象，以可逆副作用、反应式依赖和统一 Context 构造组件演算，并在 Cordis 中实现配置协调与事务式 HMR。形式化结果给出恢复精确性、依赖顺序、无死锁、终止与合流性，但保证有严格前提：共享状态必须经 Context 中介，逆操作要正确，依赖无环、独立操作可交换；网络发送和外部写入等不可撤销 emission 仍在系统边界之外。
WikiSkill: Compiling Agent Experience into Persistent Knowledge for Skill Evolution
WikiSkill 不把每轮成功与失败直接揉进一份越来越乱的 SKILL.md，而是在原始轨迹与可执行技能之间增加一个永久 Wiki：Raw 保存证据，Wiki 沉淀模式与更新历史，Skill 只保留通过验证的程序性规则。技能更新失败时会回滚，Wiki 仍记住失败。它在 5 个基准、5 个模型上都取得最高平均分；Qwen-3.6-27B 的五任务均分从 39.4% 提到 63.3%，而让 Skill Proposer 读取 Wiki 带来 15.0 个百分点的消融增益。更重要的是，技能能跨模型迁移，甚至外部演化技能优于自演化技能——但迁移也可能严重负收益，说明“发现规则”和“执行规则”是两种不同能力。
