Evidence-rich control loops are the center of agentic coding work
这一时期把大语言模型（LLM）代理当作可训练、可检查的软件系统。EvoTrainer、FLARE 和 SPOQ 的证据最强：更好的代理来自诊断、带门控的执行和任务结构，人类判断出现在规划和验证环节。
主题概况
LLM training
Intermediate Evidence Gates for Coding Agents
当团队保留中间证据时，智能体编码工作会更容易改进：修复循环里的可疑行、多智能体执行中的明确依赖门禁，以及终端代理训练中的轨迹质量信号。实际工作是给现有代理加上小型评分和验证层，然后比较最近任务的通过率、评审负担和返工量。