agent-execution

StateM是一个运行时系统，通过持久状态和可恢复的运行手册增强长期代理执行，在Terminal-Bench 2.1上达到95.3%的准确率，并显著降低API成本。

该文讨论了Agent执行与通用代码执行的区别，并推荐了两种沙箱方案：基于Firecracker的E2B和基于Docker的OpenSandbox，分别适合生产级和私有化部署场景。

本文介绍了OpenClawBench，这是一个大规模数据集，用于对真实世界AI代理执行轨迹中的过程侧异常进行基准测试。该数据集揭示了任务成功可能掩盖过程失败，9.33%通过oracle测试的执行仍包含异常，并通过一种新颖的分类法提供了结构化监督。