---
kind: trend
trend_doc_id: 1714
granularity: day
period_start: '2026-07-01T00:00:00'
period_end: '2026-07-02T00:00:00'
topics:
- coding agents
- software engineering
- runtime diagnosis
- enterprise adoption
- agent security
- agent skills
- token costs
run_id: materialize-outputs
aliases:
- recoleta-trend-1714
tags:
- recoleta/trend
- topic/coding-agents
- topic/software-engineering
- topic/runtime-diagnosis
- topic/enterprise-adoption
- topic/agent-security
- topic/agent-skills
- topic/token-costs
language_code: zh-CN
---

# 编码智能体需要证据链、预算和更安全的工具访问

## 概览
最有力的工作把编码智能体当作运行中的系统来评估。SWE-Doctor 用失败测试作为探针，Microsoft 遥测数据把命令行智能体与更高的 pull request 输出联系起来，Claude Desktop 红队报告则显示同步偏好设置如何变成工作站风险。当前重点是可衡量的行为、成本和控制。

## 研究发现

### 代码修复的运行时证据
SWE-Doctor 给出了最清楚的基准测试结果。它把缺陷复现测试（BRT）变成补丁生成前的调试探针，把一个 issue 拆成多个行为侧面，并在让智能体修改代码前记录运行时诊断。论文报告的平均结果是 SWE-bench Verified 上 75.7%，SWE-bench Pro 上 59.4%；在 SWE-bench Pro 上比基线智能体高 8.0 到 8.9 个百分点。

验证和研究自动化也在要求执行证据。Soteria 工作用符号执行轨迹训练 Qwen3-8B，并报告当轨迹训练与逐步推理结合时，违规检测提升 17.9 个百分点。Auto-FL-Research 把类似约束用于联邦学习：智能体可以编辑训练方案，而任务配置会锁定数据、指标、通信契约、预算和最终评估路径。

#### 资料来源
- [SWE-Doctor: Guiding Software Engineering Agents with Runtime Diagnosis from Multi-Faceted Bug Reproduction Tests](../Inbox/2026-07-01--swe-doctor-guiding-software-engineering-agents-with-runtime-diagnosis-from-multi-faceted-bug-reproduction-tests.md): SWE-Doctor 方法和 SWE-bench 结果。
- [Teaching AI to Reason About Software](../Inbox/2026-07-01--teaching-ai-to-reason-about-software.md): Soteria 轨迹训练和 SV-COMP 违规检测结果。
- [Auto-FL-Research: Agentic Search for Federated Learning Algorithms](../Inbox/2026-07-01--auto-fl-research-agentic-search-for-federated-learning-algorithms.md): 面向联邦学习方案的受约束智能体搜索和重复评估。

### 企业推出和 token 经济性
Microsoft 的现场研究提供了大型公司内部命令行界面（CLI）编码智能体的少见遥测数据。社交接触可以预测试用，既有编码活动可以预测留存，采用者合并的 pull request 比估计的反事实多约 24%。论文明确说明，已合并 PR 只是价值的代理指标；当 token 账单达到大型公司规模时，这一点很关键。

成本控制现在也是采用证据的一部分。Meta 报告称，员工在约 30 天内消耗了 73.7 万亿个 token，这推动了集中式仪表盘、支出提醒和计划中的 token 预算。关于可治理智能体工程的案例研究补充了开发者层面的视角：一名工程师很快产出了一个大型系统，但能长期发挥作用的工作是测试、lint、验证器、关卡、架构改动和智能体指令，这些让输出保持可检查。

#### 资料来源
- [Adoption and Impact of Command-Line AI Coding Agents: A Study of Microsoft's Early 2026 Rollout of Claude Code and GitHub Copilot CLI](../Inbox/2026-07-01--adoption-and-impact-of-command-line-ai-coding-agents-a-study-of-microsoft-s-early-2026-rollout-of-claude-code-and-github-copilot-cli.md): Microsoft 关于 CLI 智能体采用、留存和 PR 输出的遥测数据。
- [Meta caps internal AI token spending](../Inbox/2026-07-01--meta-caps-internal-ai-token-spending.md): Meta 内部 token 使用、仪表盘和计划中的预算。
- [Cheap Code, Costly Judgment: A Case Study on Governable Agentic Software Engineering](../Inbox/2026-07-01--cheap-code-costly-judgment-a-case-study-on-governable-agentic-software-engineering.md): 高容量编码期间关于控制、架构和智能体治理的案例研究证据。

### 工具表面和工作站风险
智能体运行时正在围绕文件、shell、Web、Model Context Protocol（MCP）、技能和同级智能体连接扩展。Toolnexus 展示了这种产品模式：一个 Python 工具包可以加载 MCP 服务器、本地技能、Python 函数、HTTP 端点、内置 shell 和文件工具，以及智能体到智能体卡片。它报告的是包功能，不是可靠性或安全性基准。

Claude Desktop 红队报告说明了这些表面为什么需要账户控制和本地执行控制。Pentera Labs 描述了一条远程代码执行（RCE）路径：被攻破的 Claude 账户修改了同步偏好设置，本地桌面会话随后读取这些设置。该路径依赖已安装 Claude Desktop，并依赖具备命令能力的工具或用户安装的连接器。报告没有给出成功率指标，但指出了一个具体边界：同步的个人指令可以触达有工作站访问权限的本地工具。

#### 资料来源
- [Show HN: Toolnexus for Python – MCP, agent skills,a2a for any LLM](../Inbox/2026-07-01--show-hn-toolnexus-for-python-mcp-agent-skills-a2a-for-any-llm.md): Toolnexus 的工具来源、运行时功能，以及缺少基准结果。
- [Red teamers turned Claude Desktop into a double agent to do their evil bidding](../Inbox/2026-07-01--red-teamers-turned-claude-desktop-into-a-double-agent-to-do-their-evil-bidding.md): Claude Desktop 通过同步偏好设置和具备命令能力的工具形成的攻击路径。

### 智能体技能质量和所有权边界
智能体技能正在变成带版本的软件制品，质量参差不齐。SKILL.md 研究分析了来自一个更大公开转储的 238 个文件，定义了 13 个高层内容组件和 44 个低层内容组件，并归纳出 26 类编写违规。研究报告称，抽样的 SKILL.md 文件中超过 99% 至少有一个 smell，而且 smell 会随时间持续存在。

管理侧也开始被具体化。风险架构论文认为，必须为工具契约、因果行动链和跨团队边界指定负责人。它的证据是合成的，而不是观测到的团队行为，所以其论断弱于 Microsoft 的遥测数据。它的实践要点仍然具体：当概率性输出进入确定性系统时，智能体会制造普通组件所有权和测试覆盖可能漏掉的故障。

#### 资料来源
- [From Anatomy to Smells: An Empirical Study of SKILL.md in Agent Skills](../Inbox/2026-07-01--from-anatomy-to-smells-an-empirical-study-of-skill-md-in-agent-skills.md): 关于 SKILL.md 内容、技能 smell 和持续性的实证研究。
- [Risk Architecture for AI-Native Engineering Teams: An Organizational Framework for Agentic System Governance](../Inbox/2026-07-01--risk-architecture-for-ai-native-engineering-teams-an-organizational-framework-for-agentic-system-governance.md): 面向智能体系统的团队级风险模型和所有权建议。