面向代码代理的仓库感知编辑、恢复与评估
代码代理的控制机制可以更贴近工作的语义：需求链接能够约束跨文件编辑，不变量违规可以改进恢复决策，而受控的代码变换则能揭示仓库检索究竟何时节省了工作量。现有证据支持有针对性的评估，但不足以支持广泛的生产环境结论。
主题概况
Execution Feedback
代码 agent 正在按有边界的工人来测试，而不是按代码生成器来测试
最强的信号是操作层面的评估。1GC-7RC、AgentKernelArena 和 TOBench 都在有工具、运行时检查和资源限制的封闭工作循环里给 agent 打分。同样的关注也出现在可靠性论文、供应链风险研究和 token 预算报告中。
受控的代码代理运作
代码代理已经适合在工程工作流里做更窄的运行测试：固定预算的验收运行、安装前的包名检查，以及与 token 支出挂钩的受限代码编辑试点。共同点是对代理的动作、产出和成本做可测的控制。
可执行证据主导智能体软件可靠性研究
当天最强的信号是面向智能体软件的可执行证据。论文用生成输入测试代码，用遥测诊断失败运行，并围绕技能或工具动作施加约束。现在，智能体输出要先有可检查的轨迹，团队才会信任它。
Execution Checks for Coding Agents
编码代理可靠性研究正在收敛到围绕生成代码、失败运行和可复用技能的几个小而可实现的检查。实际模式是在团队已经做出信任决策的地方收集执行证据：候选选择、重试指导或技能维护。