Coding Agent Control Gates
智能体采用现在指向三类具体控制：带外部验证的受限维护任务、小型高风险代码路径的形式化证明门，以及把生成的仓库噪音挡在未来智能体上下文之外的 Pull Request 检查。
主题概况
Coding Agents
AI 编码主张现在需要日志、负责人和预算
这个时期的 AI 编码工作，正在按可检查的证据、人类负责制和运行成本来接受评估。最清楚的例子是谷歌的操作系统代理演示、Claude Code 使用追踪，以及 Planet Maiko 的本地代理工作台。
编码代理责任控制
长时间运行的编码代理工作已经可以加入更具体的操作控制：演示用公开证据包、生成代码的明确人类负责人，以及绑定到已合并工作的 token 预算。要测试的内容足够小，可以放进评估发布流程、pull request 模板或本地开发者仪表盘里。
Coding agents are being judged by the evidence they leave behind
当前重点是：coding-agent 工作正在把进展绑定到可检查的证据上。P2T 组织修复步骤，SWE-Mutation 测试生成的测试能否抓住真实 bug，MOSS 在源代码更新前重放生产故障。
编码代理验证轨迹
编码代理的采用现在需要保留结果背后证据的检查：生成测试要看突变体是否存活，拉取请求要看审查上下文和重构风险，已部署代理的源代码级更新要回放用户失败。
编码代理面临更 কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ কঠ检查以验证真实行为
当天最强的信号是可执行证明。SpecBench 表明公共测试会奖励空壳系统，而 FuzzingBrain V2 和 ERA 用评估循环来验证崩溃或改进科学指标。当前门槛是隐藏测试、运行时检查或任务特定检查下的具体行为。
Executable Acceptance Checks
当验收依赖可执行的行为检查时，代理编写的代码就更可用。最清楚的流程变化是：为生成系统设置隐藏的端到端测试、用崩溃结果支撑安全分诊，以及为旧代码迁移设置行为判定器。
编码 agent 正在作为受控执行接受测试
当前重点：编码 agent 按运行方式、修复能力和边界内行为来评判。A-ProS 展示了有状态评审反馈带来的提升。ProcBench 对轨迹中的过程缺陷打分。OverEager-Bench 衡量 benign 任务中的未授权动作。
编码代理执行控制
编码代理团队可以把运行时范围、轨迹质量和文件选择分开测试。证据支持在更广泛部署前先做几项实操检查：捕捉越界动作、给代理日志里的流程缺陷打分，以及在迭代修复前缩小修复上下文。
代码代理正按已交付系统和已验证修复循环接受评判
当天最强的信号是具体执行。SaaSBench 和 WebGameBench 评估已交付的软件行为，而 ContraFix 和 MemRepair 通过把运行时证据和历史修复放进循环来改进修复。当前重点是运维层面：环境搭建、集成、验证和审查控制决定代理是否有用。
编码代理的运行时验证循环
测试编码代理的团队应该增加验收门，运行交付出来的系统，在修复过程中保留运行时证据，并用已经执行过的 API 调用来训练工具调用器。真正有用的工作在代理周围的验证循环里：浏览器、Docker 运行时、测试、崩溃输入、安全输入和缓存的工具输出都会成为工作产物。
代码代理正在围绕可执行反馈和明确的运行限制构建
这一天最强的信号是带有可执行检查的实用代码代理工作。FrontierSmith 和 DIO-Agent 用评分或执行错误，把编码任务变得更难，也更有用。Orchard 在沙箱规模上展示了同样的需求。安全类论文把权限和第三方技能变成了核心设计问题。