Follow 深度日报：Agent 记忆与评测、科研入口、Copilot 审查工具化

2026年7月30日（周四） · 覆盖窗口：2026-07-29 08:00 – 2026-07-30 08:00 (CST)
来源：Obsidian Follow List active 项；OpenAI News RSS/官网、GitHub Changelog RSS、Simon Willison Weblog、Anthropic Newsroom、Gemini API release notes、公开 X 个人页 SEO/microdata 抽样。未使用 Folo CLI，未发布私密 cookie/token，未绕过 CAPTCHA。

总览

今天的关键词是“运行中的 agent”

过去 24 小时最强信号不是某个单点功能，而是 agent 在真实运行时需要的记忆、压缩、工具接入、审查上下文和企业默认策略。能力本身仍重要，但决定体验和评测结果的越来越多是 harness、上下文管理和治理开关。

OpenAI 把评测问题指向“系统设置”

ARC-AGI-3 文章显示，同一个 GPT-5.6 Sol 在通用 harness 与生产式 Responses API harness 下表现差异巨大。保留推理状态与 compaction 让模型不必每一步重新理解游戏，也避免旧动作被滚动截断直接丢失。

科研入口正在平台化

OpenAI 同日推出 ChatGPT for Academic Researchers，计划到 2027 年给 10 万名研究者提供免费前沿模型、Codex、深度研究、生命科学 skills 和连接器。科学 agent 主题从昨天的 field report 延伸到今天的分发与生态入口。

GitHub Copilot code review 进入“可带工具审查”阶段

Copilot code review 的 agent skills 与 MCP servers 已 GA。它把团队标准、内部工具、Issue/文档/服务目录等上下文直接放入代码审查，但 MCP 调用限定为只读，说明 GitHub 正在把 agent 能力嵌进企业开发流程的低风险入口。

Prompt injection 风险开始像文档供应链问题

Simon Willison 记录的 Word/Copilot “AI worming”案例提醒：隐藏指令不只会影响一次生成，还可能被复制进后续文档，成为新的传播载体。办公文档、知识库和 RAG 素材需要被当作可污染输入处理。

X 高优先级账号未形成可核验主线

本轮抽样高优先级 X 个人页没有稳定抓到覆盖窗口内的新原帖；公开镜像/RSSHub 路线不可用或未配置。人物动态以官网、博客和 RSS 中可打开链接为主，不把不可复核 snippet 当事实来源。

核心主题

一、OpenAI：ARC-AGI-3 的关键变量是 agent 记忆与上下文压缩

OpenAI / EvalsOpenAI · 2026-07-29 15:00 UTC · How enabling two settings tripled our scores on the ARC-AGI-3 benchmark

OpenAI 复盘 GPT-5.6 Sol 在 ARC-AGI-3 上的低分，结论不是简单说模型不会玩 2D puzzle，而是官方 harness 丢弃了私有推理，并用滚动截断处理长上下文。换成更贴近 ChatGPT/Codex 的 Responses API harness 后，保留 reasoning 与启用 compaction 让 GPT-5.6 Sol 在公开任务集上从 13.3% 提升到 38.3%，输出 token 也显著下降。

这条最值得注意的地方是它重新定义了 eval 讨论的边界：评测不只测模型，也测工具协议、上下文策略、状态保存和提示方式。对长任务 agent 来说，忘掉前序观察和推理不是“小实现差异”，而是会直接改变能力曲线。

为什么值得看：Follow List 里 Codex、Claude Code、MCP、agent evals 都在同一条线上。未来比较模型时，如果 harness 没有说明是否保留推理、如何压缩上下文、如何处理工具轨迹，排名很容易失真。

后续行动：把内部 agent eval 模板加上四个必填项：是否保留 reasoning、压缩策略、工具调用轨迹、上下文丢弃规则。所有模型对比都要把 harness 设置和分数放在同一页。

二、OpenAI：10 万研究者计划把科学 agent 变成分发入口

OpenAI / Research AdoptionOpenAI · 2026-07-29 10:00 UTC · Accelerating scientific discovery with ChatGPT for Academic Researchers

OpenAI 宣布 ChatGPT for Academic Researchers 项目，先从今年夏天 1 万名研究者开始，到 2027 年扩展到 10 万名。参与者可免费获得前沿模型、ChatGPT Work、Codex、更高使用额度、更大上下文、深度研究，以及超过 75 个生命科学 skills 和多个科研连接器。

项目覆盖数学、工程、生命科学、文献综述、资助申请、代码执行与数据分析等工作流，并强调 business-grade 隐私与默认不用于训练。OpenAI 还给出使用数据：每周约 130 万人用 ChatGPT 做高级科学与数学任务，研究者已经在从假设生成到结果分析的多阶段流程中使用 ChatGPT 和 Codex。

为什么值得看：昨天 OpenAI 讲科学计算 agent 的 field report，今天直接做学术分发计划。科研场景会把 agent 的长上下文、可验证代码、工具连接、数据隐私和协作边界全部放大，是观察 Codex/ChatGPT Work 企业化的高质量样本。

后续行动：跟踪首批参与机构和公开案例，重点看哪些科研 workflows 真正从“辅助写作/问答”迁移到“可复现实验、代码分析、数据处理、论文验证”。

三、OpenAI：GPT-5.6 叙事从更强转向更高效的智能

OpenAI / Model EconomicsOpenAI · 2026-07-29 00:00 UTC · How GPT-5.6 fuses frontier intelligence with frontier efficiency

OpenAI 发布 GPT-5.6 效率文章，把模型进展表述为模型本体、推理、agentic workflow 三层共同优化，而不是只谈单次回答质量。结合 ARC-AGI-3 文章看，OpenAI 正在强调同一个模型在不同运行设置下的有效智能差异：保留 reasoning、compaction、合适的 API 与工具编排都会影响每美元可完成工作量。

这条和前几周 OpenAI CFO 的 AI scorecard 叙事互相呼应：企业买 AI 不只看 benchmark 峰值，而要看 cost per successful task、dependability、return on compute，以及失败后能否收敛。

为什么值得看：AI agent 采购会越来越像“单位成功任务成本”的工程账，而不是“模型榜单第一”的市场账。对内部方案设计，应该把 token、时间、重试次数、工具错误率、人工复核成本放进同一张表。

后续行动：为 Codex/Claude/Gemini 的对比表增加“成功任务成本”列，记录 token、wall time、失败重试、人工干预次数和最终可合并产物。

四、GitHub：Copilot code review 的 agent skills 与 MCP servers GA

Copilot / Code ReviewGitHub Changelog · 2026-07-29 21:26 UTC · Copilot code review: Agent skills and MCP now generally available

GitHub 宣布 Copilot code review 对 agent skills 和 MCP servers 的支持正式 GA，覆盖 Copilot Pro、Pro+、Business 和 Enterprise。团队可以在仓库或组织里通过 .github/skills/SKILL.md 提供审查标准和工具说明，也可以把第三方平台、Issue tracker、文档系统、服务目录等上下文通过 MCP 接入代码审查。

GitHub 明确 Copilot code review 中的 MCP tool calls 会限定为只读，并且已有 Copilot cloud agent 的 MCP 配置会自动应用到 code review。评论里也会标注哪些建议使用了 skills 或 MCP 上下文，方便团队观察自定义上下文是否真的发挥作用。

为什么值得看：这是 enterprise agent 落地的典型低风险入口：审查建议需要上下文，但不直接写生产代码；MCP 只读降低外部系统风险；skills 给组织规则一个可版本化载体。它也说明“技能文件”正在从本地 agent 约定变成主流开发平台功能。

后续行动：给重点仓库设计一版 .github/skills 草案，包括代码风格、架构边界、安全禁区、测试要求和业务上下文；同时列出可安全只读接入的 MCP 数据源。

五、GitHub：Copilot 企业模型默认启用策略开始倒计时

Copilot / GovernanceGitHub Changelog · 2026-07-29 14:01 UTC · Default model enablement for Copilot Business and Enterprise

GitHub 为 Copilot Business 和 Enterprise 引入 GA 模型的全局默认启用策略。接下来 28 天该策略可配置但不影响现有可用性；到 2026 年 8 月 26 日，未显式配置的新模型会从 unconfigured 变成 inherits default，并根据组织/企业策略自动可用或保持关闭。

GitHub 也说明显式开启或关闭的模型不会被覆盖，open-weight 模型以及不在 GitHub 数据保留协议覆盖内的模型被排除在默认启用之外。这是昨天 Grok 4.5 进入 Copilot 之后很关键的治理补丁：模型接入速度变快，管理员需要一个默认策略，而不是每次人工追新。

为什么值得看：多模型 Copilot 的治理重点从“能不能选模型”变成“默认允许哪些模型进入工作流”。对企业而言，模型数据协议、open-weight 属性、供应商边界和计费策略都会影响默认开关。

后续行动：在企业 AI 工具采购清单里新增“默认模型策略”检查：新 GA 模型默认开/关、哪些模型排除、显式覆盖规则、数据保留协议、管理员审计责任。

六、Simon Willison：MCP 接入真实聊天界面仍然复杂，文档注入风险也在升级

AI Engineering / SecuritySimon Willison · 2026-07-29 00:13 UTC / 2026-07-29 · TIL: Adding a custom MCP server to Claude and ChatGPT；AI Worming through Word

Simon 记录了把自定义 MCP server 接入 Claude 与 ChatGPT 标准聊天界面的实际步骤，结论是可行，但配置路径并不直观。这补上了 GitHub MCP GA 的另一面：协议正在主流化，但普通开发者和企业管理员仍需要清晰的接入、权限和调试流程。

同一天他也转述了 Word/Copilot 中的 “AI worming” 风险：攻击者把隐藏指令放进文档，Copilot 把它当成上下文执行，甚至可能把隐藏指令复制进生成文档，让新文档继续成为载体。这不是传统宏病毒，而是 LLM 工作流里的内容级污染。

为什么值得看：MCP 让 agent 更有用，也扩大了输入面。企业要同时解决“怎么接工具”和“接入后怎么防止不可信内容通过工具链污染输出”两个问题。

后续行动：把 RAG/办公文档处理流程加上内容污染检查：隐藏文本、白字、注释、元数据、不可见区域、外部引用和自动复制路径。MCP server 侧也要标注数据来源信任级别。

重要更新

OpenAI：ARC-AGI-3 复盘强调 retained reasoning 与 compaction 会显著改变长任务 agent 表现，建议 API 开发者使用 Responses API、保留推理并启用 compaction。
OpenAI Academic Researchers：计划到 2027 年向 10 万名研究者提供免费前沿模型、Codex、深度研究、skills 和科研连接器，首批今年夏天 1 万名。
OpenAI GPT-5.6：效率文章把模型价值放到“每美元可完成工作量”和 agentic workflow 上，与近期 AI scorecard、科学计算 field report 形成连续叙事。
GitHub Copilot：code review 的 agent skills 与 MCP servers 支持正式 GA，MCP 调用限定只读，适合把团队标准和外部上下文带入审查。
GitHub Enterprise：Copilot Business/Enterprise 新增 GA 模型默认启用策略，2026 年 8 月 26 日生效，open-weight 和不符合数据保留协议的模型排除。
Simon Willison：发布 MCP 接入 Claude/ChatGPT 的实操笔记，并关注 Word/Copilot 文档中的 prompt injection 传播风险。

人物 / 机构动态

OpenAI / Codex 方向：从科学计算 field report 到 ARC-AGI-3 harness 复盘，再到 Academic Researchers 项目，OpenAI 正把 Codex/ChatGPT 定位成科研和长任务 agent 的基础设施。
GitHub：本周连续围绕 Copilot 发布模型接入、使用指标、默认模型策略、code review skills、MCP 和 CodeQL 更新，显示其在开发者 agent 平台层的节奏很密。
Simon Willison：继续承担 AI engineering 早期风险雷达角色：一边追踪 MCP 实操，一边把 prompt injection 从聊天/RAG 扩展到办公文档传播链。
Anthropic：官网本轮未见覆盖窗口内的新发布；7 月 24 日 Claude Opus 5 仍是近期核心背景，关注点在长任务验证、自动 fallbacks 和安全分类器。
Google / Gemini：Gemini API release notes 最近主要更新仍停留在 7 月 21 日 Gemini 3.6 Flash/3.5 Flash-Lite GA；过去 24 小时未见可核验的新高优先级 API 公告。

值得跟进项目

Agent eval harness 模板：沉淀 retained reasoning、compaction、工具轨迹、上下文窗口和失败重试的记录格式。
科研 agent 工作流库：围绕 OpenAI Academic Researchers 项目，整理可复现实验、代码分析、文献综述、基因组/蛋白建模的案例。
Copilot code review skills POC：为一个真实仓库创建 .github/skills，验证 Copilot 是否能按团队标准给出更有用的 review。
MCP 只读数据源清单：先接 Issue、文档、服务目录、API catalog 这类低风险上下文，再评估写操作。
文档 prompt injection 扫描：把隐藏文本、注释、白字、元数据和复制传播风险加入企业知识库/RAG ingestion 检查。

待验证信息

OpenAI ARC-AGI-3 结果来自 OpenAI 自建 Responses API harness；若用于第三方模型对比，需要确认每个模型是否具备等价的 reasoning retention 与 compaction 能力。
ChatGPT for Academic Researchers 的首批机构、资格审核和实际使用边界需要等待更多公开案例；现在只能确认 OpenAI 官方说明。
GitHub Copilot 默认模型策略 8 月 26 日才正式影响模型可用性；不同企业实例的现有显式配置不会被覆盖，但实际迁移体验需届时核验。
Copilot code review 的 MCP 支持虽然 GA，但第三方 MCP server 的权限、日志、数据保留和审计能力仍需逐一检查。
Word/Copilot 的 “AI worming” 是高价值风险信号，但具体影响范围取决于 Microsoft 端的文档解析、隐藏内容暴露和复制策略。

低优先级噪音

本轮 X/Twitter 高优先级账号没有稳定抓到窗口内新原帖；旧转推、旧模型争论和无法打开的 snippet 不纳入核心结论。
Google AI Studio 论坛零散问题仍可作为产品稳定性观察，但过去 24 小时没有形成足够强的公开发布信号。
Anthropic Opus 5 是近期重要背景，但发布日期为 7 月 24 日，不重复作为今日核心更新展开。
单纯转述 GPT-5.6/Claude/Fable 模型排名的社媒评论，如果没有原始 eval、价格或产品入口变化，优先级低于官方报告和可复核技术文章。