代码智能走向过程学习，软件代理转向真实评测与可审计执行

为代码智能团队提供一套“开发轨迹数据工厂”，把现有仓库与 CI 记录重建为需求、定位、读取、修改、调试、验证的过程样本，并产出可用于训练、离线评测和回放审计的数据格式。

以前缺的是可规模化的过程构造方法和能验证步骤质量的训练目标；现在这两件事同时出现，意味着“过程数据”不再只是研究概念，而可以成为企业代码助手的专门数据层。

一方面，Understanding by Reconstruction 显示可从约 300k 仓库反向合成 4B token 开发轨迹并提升长上下文与代码能力；另一方面，ExecVerify 证明中间执行状态可以被白盒验证并直接用于强化学习，而不只是模仿解释文本。

选取 20–50 个有完整 issue、PR、CI 记录的内部仓库，先做最小版本重建：生成文件读取顺序、修改序列、失败测试到修复测试的轨迹；再用这些轨迹训练一个小型补丁排序器或定位器，对比仅用仓库快照的基线。

为大型 Java 代码库提供“只读定位 + 受限编辑”的 issue 修复代理层：先用静态分析和规则约束缩小修改面，再把编辑限制在可验证的 search-replace 和构建检查中，替代高副作用的通用 bash 代理。

企业仓库里真正卡落地的不是“能不能让模型写出补丁”，而是副作用、成本和可控性；现在公开研究已经给出 Java 专用工具化路线，适合直接向生产级修复系统收敛。

iSWE Agent 显示 Java 问题修复不必继续照搬 Python 时代的通用代理范式，语言专用静态分析工具、规则式 sanitizer 和分工式子代理已经能同时改善效果与成本。

找一个已有 CI 和代码搜索基础设施的 Java 团队，挑选近 100 个历史 issue 做回放；比较三种方案的首轮成功率、平均 token 成本、误改文件数和回滚率：通用代码代理、只读定位代理、受限编辑代理。

构建面向芯片设计团队的 RTL 生成验收服务，把语法、综合、功能和 QoR 合成到一条自动门禁里，并输出失败模式分类与单次稳定性分数，替代只看 simulation pass 的模型评估。

如果还沿用软件代码的通过率指标，就会持续高估硬件生成价值；现在已有相对完整的评测框架与失败分类，可以把‘能跑 demo’和‘能进流片前流程’区分开。

最新评测不再停留在语法和仿真，而是把综合、面积、时延、警告和单次稳定性纳入统一指标，并揭示不同模型有稳定的综合失败模式。

接入一个现有 Verilog 代码生成或 copilot 流程，对最近 200 个任务进行 3–5 次重复采样评测；记录 simulation pass、可综合率、HQI 近似分数、主要失败类型和人工返工时间，验证哪些指标最能预测最终是否被工程师接受。

提供一个代理执行证据层，把浏览器操作、工具调用、关键输入输出和策略决策封装成可验签的 proof bundle，供合规、内审和事故复盘系统消费。

高风险流程的阻力越来越不是自动化能力本身，而是事后无法证明执行过程；可独立验证的证据包让代理终于能进入需要追责和审计的场景。

过去代理落地主要依赖截图和普通日志；现在已有现成工程实现把浏览器行为写入防篡改哈希链，并在会话结束后签名，且能通过 MCP 直接接入主流代理工作流。

在一个真实表单提交或网页抓取流程中部署最小版本，只覆盖浏览器动作和关键字段提交；让内审或风控团队用独立验证工具复核 20 次会话，确认哪些字段必须进入证据包、哪些数据需要脱敏。