编码论文正在加入真实执行检查，并为长周期工作提供更好的把手
4 月 20 日的编码研究最强的部分，是论文把系统和真实执行接得更紧。SolidCoder、OpenGame 和 OpenROAD 验证器都通过沙箱、浏览器或领域图检查行为，减少对表面正确输出的信任。另一条线规模更小，但也有用：测试放置方式和编辑历史都会影响开发者和模型能否保持工作可验证。
主题概况
Coding Agents
Execution-verified coding workflows
有执行验证的编码工作已经具体到足以支持明确的产品和流程改动。这里最清楚的几类是：把边界情况捕捉前置并配合沙箱回归检查、给交互式前端输出加浏览器运行后的接受检查，以及用内联测试处理来提高助手保留并通过提示测试的概率。
编程代理研究现在取决于可执行证明和控制层
本周的编程代理研究里，最扎实的部分是那些最终落到可检查产物上的论断。重点集中在可执行证明、以仓库为依据的推理，以及围绕搜索、工具和评估的显式控制层。和本地历史中的前两周相比，这份简报更具体地说明了这些控制是怎样在工作流内部实现的，而不只是解释它们为什么重要。
软件代理的执行控制层
近期最明确的构建方向，是围绕代码代理的运行控制层：在补丁接收前加入硬性的沙箱重放门、让代理执行软件分析搭建并在拿到经过验证的项目证据后停止、以及为企业动作加入类型化动作契约层。每一种都由论文支持，这些论文已经不再停留在流畅的执行轨迹，而是报告了带有可测效果的具体执行、验证或权限机制。
编码研究正在收紧对代理实际完成内容的检查
4 月 19 日的编码研究，最强的地方在于系统不再相信表面成功。PDB、Prometheus 和 Terminal Wrench 各自加了一层更严格的检查：编辑是否精确，补丁是否符合已验证的需求，代理是否在不欺骗验证器的情况下完成任务。实际信息很清楚。更好的编码代理现在同样依赖评估层和控制层，而不只是依赖原始生成质量。
Solution Fidelity Controls
这一天的编码代理研究指向三个容易在真实工作流里测试的近期待办事项：给调试代理加 diff 大小控制、在自动修复前先验证可执行需求、以及对基准验证器做对抗性审查。它们有一个共同点：测试通过或任务验证器通过，已经不足以说明系统是否以精确、可审查的方式解决了预期问题。
编码代理的进展来自更严格地控制轨迹、成本和环境
这个时期的重点是编码代理通过压缩证据、尽早剪掉薄弱轨迹、并在更难环境里自测来提升。最强的论文是 Scaling Test-Time Compute for Agentic Coding、LinuxArena 和 Argus。放在一起看，它们给出一个直接判断：进展来自更严格地控制代理保留什么、复用什么、以及允许它做什么，并且已经在 SWE 任务、运维基准和底层 kernel 工作上看到具体收益。
面向编码代理的自适应控制层
这段时间的编码代理工作支持三个具体变化：在仓库任务的重跑前加轨迹压缩，为小模型代理加中途预算控制，以及在包含滥用任务和监控限制的实时环境中评估面向生产的代理。论文给出的运作机制和可测增益越具体，这些结论就越强，尤其是在通过率、成本或监控规避率上。
编码代理的进步来自更紧的反馈循环和更严格的证据
这一时期最清楚的信号是，编码研究正在围绕证据、上下文和反馈收紧控制回路。CollabCoder、仓库压缩研究，以及 SAP HANA 测试生成论文都显示出同一条实用规则：更好的结果来自更有选择性的引导和更严格的检查，而不是让代理在没有约束的情况下跑更久。最强的论文用通过率、延迟或 mutation score 的具体提升支撑了这个判断。
Controlled agent feedback loops
这些证据里能用的模式是：更严格地控制代理能看到什么、下一步尝试哪种修复、以及如何判断输出。仓库工具可以在生成前压缩上下文，因为被引用的研究显示，选择性压缩同时改善了质量和延迟。基于测试的编码循环可以把失败导向计划修复或代码修复，因为这个决定提高了通过率，也减少了重试。生成测试需要在未见过的代码库上使用 mutation score 作为门槛，因为公共基准上的成绩没有延续到 SAP HANA，而单靠编译反馈会奖励更弱的测试。
真实仓库证据是当前代码代理仍然达不到的标准
这一天最强的信号是，代码研究正在收紧到可在真实仓库中核查的证据上。CodeSpecBench、R²Eval 和 Ace 从不同角度指向同一个限制：语义理解、仓库上下文和团队协调，比原始生成速度更能限制当前代码代理的能力。
基于仓库的代码审查
当前的 coding agent 工作指向三个具体变化：把可执行规格检查加进 pull request 审查，把仓库上下文推理 trace 加进评估，并在广泛的模型搜索之前，先把跨文件后续编辑交给 IDE 和语言服务器工具。共同模式很简单：仓库证据暴露出最终补丁评分和本地编辑流程仍然漏掉的失败。