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。
主题概况
Harness Repair
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。