智能体工作正通过学习测试、边界检查和本地收据接受评估
当天最明确的信号是围绕智能体的问责。Machine Studying 询问智能体能否在考试前学会一个新语料。ANMA、PeekAI 和 Lupen 让开发者更容易在本地机器上阻断、追踪和审计编码智能体的行为。
主题概况
Agent Evaluation
编码代理运行控制
代理团队现在有具体检查来处理三个常见失败点：较便宜的编码代理跨越模块边界、编码会话产生不清晰花费，以及代理在没有证明工作知识的情况下进入陌生语料。
代码代理正在按生产工人来管理
当天的主要信号是对代码代理的操作纪律要求。Trace、AgentBeats 和 ComAct 都把代理当作系统来处理，这些系统需要可执行的规则、可重复的评估，以及更安全的动作通道，团队才能在真实软件工作中信任它们。
代理自主性检查点
编码代理团队现在有了几个可以加控制的具体位置：仓库说明的可执行检查、代理拉取请求进入审查前的拒绝门，以及用于 CAD 工作的沙箱化程序动作通道。共同压力来自审查浪费和不安全的自主性，尤其是在代理可以修改仓库、发起拉取请求或操作专业 Windows 软件的工作流里。
编码代理需要轨迹、关卡和支出控制，自主性才可信
本周研究把大型语言模型（LLM）代理视为受控的软件工作者。最有力的工作要求提供轨迹、可执行检查、工具限制和审查关卡。Claude Code 说明这已经不只是基准测试问题：编码代理正在进入软件供应链。
编码智能体控制闸门
编码智能体已经接近日常工程工作，团队需要围绕合并、代码库导航和训练数据设置具体控制。实际做法是保留智能体轨迹，测试精确找代码这一步，并把高风险工具使用或 AI 编写的变更送入可见的审查闸门。
完整运行循环定义代理式代码评估
当天最强的信号是面向代码代理的操作性评估。论文测试反馈轮次、harness 修复、有状态记忆，以及在接近部署条件下的仓库知识。实际问题是：当轨迹、UI 测试、提交记录或重复任务里出现证据后，代理是否会变得更好。
Coding Agent Feedback Loops
编码代理评估在记录完整运行循环后更有用：请求、轨迹、反馈、harness 变更和下一次尝试。实际工作是围绕失败轨迹、浏览器可见的 UI 行为，以及经过测量的仓库记忆做小型评估器，然后再把代理使用范围扩大到更多团队。
编码代理正在被要求提供仓库、评审和运行时证据
本周的编码代理工作给出了一个实用门槛：在输出获得信任之前，代理需要仓库上下文、可执行证据、限定范围的权限，以及持久的工作流状态。RepoMirage、RADAR 和 SNARE 显示了压力点：多文件推理、生产评审和权限越界。
面向 coding agent 的已审计闸门
coding-agent 的采用正在转向保留证据的窄闸门：带有安全度量的低风险审查通道、在各阶段携带测试和编译器信号的修复循环，以及检查中间工具动作的授权测试。
编码代理正在接受操作性证据、审查门控和可执行检查的评判
当天最强的信号是 AI 编码系统的操作性证据。论文在真实会话中测量代理如何失败，在生产中限制低风险审查，并用规格或领域不变量测试生成代码。RADAR、TRAILS 和 Agora 把重点放在同一件事上：只发布能够被检查、约束或复现的内容。
Generated Code Quality Gates
编码 agent 的普及正在带来审核队列、薄弱的正确性证据和重复的安全修复工作。可行的做法是：给低风险 diff 加更窄的门控，在缺少测试时对生成代码做可执行检查，以及为漏洞修复 agent 保存修复记忆。