一份综述现已梳理出 LLM agent 如何从单一工具调用转向多工具编排，即单次运行将多个工具与副作用串联在一起。对于构建 harness 的团队而言，这一转变是结构性的：每增加一个工具都会扩大权限面，并带来在整次运行中累积的故障模式。这份综述是一张有用的地图，标明了决定 agent 能否保持可靠的是 harness 设计，而非模型选择。
相邻的研究指向同一方向。另一项研究报道了一个具备自我反思能力的协作式多 LLM 框架，一篇 USI 论文则通过实证评估了以规范驱动的测试生成，用以将 agent 锚定在契约之上，把显式规范作为被测对象。Google Research 还发表了一个用于在持续学习中保留知识的 sleep 框架。综合来看，这些线索都聚焦于模型周边的脚手架：工具权限、契约检查与记忆处理。
实际的解读是：编排质量是一个工程问题，具有可测试的界面。所提供的报道并未确立这些方法在不同 harness 或工作负载下的表现；该综述被描述为一张地图，而非基准测试。评估多工具 agent 的团队应将权限范围界定、基于契约的测试以及跨运行的知识保留视为彼此独立的设计决策，每一项都有各自的故障模式，需要在发布前加以测量。