Intermediate Evidence Gates for Coding Agents

编码代理的修复循环可以在模型请求下一次编辑前，先给出一组按可能出错程度排序的代码行。FLARE 展示了具体做法：一个轻量诊断模型给词法单元打分，把分数汇总到行级可疑度，再围绕 top-k 可疑行生成修订，运行测试，并保留执行结果最好的候选。设置 k=10 时，FLARE 在 LiveCodeBench 和 BigCodeBench 上提高了五个基础模型的 Pass@1；它的诊断模型在 100 个 LiveCodeBench 任务上的定位准确率达到 Top-1 67% 和 Top-10 89%。

这个流程适合已经在 CI 中收集失败代理补丁的团队。可以保存失败程序、测试输出、如果有的话保存 token 概率、可疑行排名、生成的候选和测试结果。还可以为拟议修改加一个小的行为检查：Neural Change Prediction 报告说，变异-输出对可以训练模型预测代码修改的可能效果，微调后的 GPT-4.1 在单次 Python 变异上的输出变化预测准确率达到 95%。试点可以回放最近失败的生成结果，比较只看执行反馈的修复和按行排名的候选搜索，在通过率和每个接受修复所花的评审分钟数上的差异。

多智能体编码运行应在实现开始前先暴露任务依赖。SPOQ 给出了一种具体做法：把一个史诗拆成 1-4 小时的任务，构建 DAG，将彼此独立的任务按并行波次派发，并在进入下一阶段前要求完成规划和代码验证门禁。它报告的收益对模型并发受限的团队很实用：SPOQ 在一个 2 槽位的真实 LLM 后端上测得稳定的 1.4x 加速，并通过双重验证把测试通过率从 91.25% 提高到 99.75%。

这对让代理从较大的需求单直接开 pull request 的团队最有用。采用上的改动是：先在代理写代码前加入一个人工规划检查点，再在每个任务后要求一个带评分的代码门禁。人的职责很具体：批准任务拆分、处理含糊需求、审查有风险的设计选择。一篇更广泛的综合研究引用了 456,535 个代理作者 pull request，覆盖 61,453 个仓库，同时也报告说代理作者 pull request 的合并率更低，结构性代码改动更少。这个模式支持在合并性和设计匹配很重要的地方给代理工作加门禁。

终端代理的训练数据应按轨迹是否显示有用的 inspect-act-verify 行为来筛选。终端代理研究发现，得分更低的教师模型 DeepSeek-V3.2 训练出的 Qwen3 学生模型，比 Claude Opus 4.6 训练出的更强，因为它的轨迹暴露了更多与环境相关的步骤。屏蔽观察-命令链接后，Targeted Observation Ratio 从 13.4% 降到 5.3%，Qwen3-32B 的表现从 20.6% 降到 13.8%。

训练团队可以把这变成一个轨迹门禁。记录文件检查、命令、测试运行、错误消息，以及每个命令依赖的路径或状态。给每条成功轨迹按 Targeted Observation Ratio 打分，在固定数据预算下保留高 TOR 轨迹，并标记那些动作没有可见支持性观察的轨迹。EvoTrainer 在长周期软件代理上也朝同一个操作方向前进：它的训练器读取 rollout、日志、配置、代码 diff 和指标，然后在现有证据无法解释结果时更新诊断。一个低成本验证办法，是在按 TOR 分组的匹配成功轨迹上跑一次 SFT，并在 Terminal-Bench 风格任务上测量结果。