文章

以 OpenAI Agents API 為例，理解託管 Harness 怎樣組織長期 Session、上下文和子任務，區分執行環境與會話狀態，並分析 Agents SDK 與託管 API 的職責邊界。

以 OpenAI Agents SDK 為例，理解 Agent 定義、Sandbox Client 和 Manifest 怎樣連接執行環境，以及目錄權限、產物保存、Snapshot 與運行狀態怎樣支持持續工作。

以 Anthropic Managed Agents 的架構為例，理解持久化事件歷史、可重啓 Harness 和可替換執行環境的職責，以及解耦怎樣影響故障恢復、憑證隔離、啓動延遲和橫向擴展。

以 OpenAI 內部使用 Codex 的治理實踐為例，理解受管配置、Sandbox 與審批、命令規則、網絡與身份控制，以及 Agent 日誌怎樣支持安全調查和策略改進。

以 Codex 的 Windows Sandbox 設計為例，理解 SID、ACL 與 Restricted Token 怎樣限制寫入，專用身份和 Firewall 怎樣約束聯網，以及初始化、Runner 和進程樹之間的關係。

以 Claude Code auto mode 為例，理解輸入側注入檢測、動作分類器、兩階段判斷與 Reasoning-blind 設計，再分析子 Agent 檢查、拒絕後的恢復，以及誤報和漏報的取捨。

從風險來源和 Blast Radius 理解 Agent 安全，區分行為監督與環境隔離，分析文件、網絡、憑證和工具內容的信任邊界，再結合三類運行環境理解縱深防禦。

結合 BrowseComp 案例，區分 Benchmark Contamination 與 Eval Awareness，理解開放網絡、代碼執行和多 Agent 搜索怎樣影響答案來源，再分析執行軌跡、評估邊界與成績解釋。

理解 Agent 評估中的基礎設施噪聲：區分代碼錯誤、環境故障與資源約束，分析 CPU、內存和時間預算怎樣影響執行，再用對照實驗與完整報告解釋分數差異。

從性能工程測驗的迭代案例理解評估設計：怎樣確定能力目標、識別測試飽和，區分難度與新穎性，並在真實任務、有效區分和完成成本之間取捨。