编码智能体正被作为受控生产软件来评判
本周的研究把大型语言模型（LLM）智能体视为生产软件。最有力的工作把任务成功与上下文恢复、产物交付、成本核算、权限边界和凭据安全联系起来。DeepDiscovery、EnterpriseClawBench 和 Rel(AI)Build 提供了最清晰的证据。
主题概况
Security
编程智能体发布门禁
编程智能体工作正在进入与其他生产软件相同的评审路径：代码库上下文必须被衡量，智能体配置需要负责人和权限检查，评估需要覆盖后续编辑、工具故障、制品交付、运行时间和成本。
代理软件研究围绕能发现真实部署失败的检查展开
这一时期的主要信号是对 AI 构建软件提出更严格的证据要求。ConCovUp、RubricRefine 和 MonitoringBench 都是在测试代理的具体失效模式：错过并发交互、错误的工具契约，以及隐藏的破坏。快速做应用也会带来可测的安全和维护成本。
Agent Failure-Mode Gates
Agent 软件工作正在转向与具体失败模式绑定的检查：会返回看似合理却错误结果的实时工具调用、用狭窄攻击集测试的监控器，以及顺序测试漏掉共享内存交互的 C/C++ 库。实际工作是在这些流程前面加小门槛，避免 agent 直接接触生产系统或安全关键仓库。
coding-agent 研究现在把验证界面当作核心系统设计
本周的 coding-agent 研究在每个关键步骤都留下证据时最有说服力。重心已经转向可执行控制：书面规格、精确编辑空间、运行时检查和持久的工具边界。与前一周相比，这份简报更具体地说明了这些控制点位于哪里：仓库任务内部、安全修复流程中，以及智能体的写入路径上。
面向代理编写代码的验证关卡
近期最清晰的产品方向，是把验证放进执行闭环里。一条路径是外部策略层：只有满足可追溯性和测试义务的代理修改才能通过。另一条路径是代码仓库迁移工作流：把翻译后的测试和修复报告当作一等工件。第三条路径是面向 AI 编写代码的安全关卡：在选定的 diff 上证明可利用性，而不是依赖提示词或传统静态扫描器。
软件代理研究正在收紧接口、指标和安全检查
这一天最强的工作，是让软件代理更容易被约束、检查和评分。CodeStruct 和 SWE-Shield 把代码代理评估收紧到精确编辑和设计规则。Gym-Anything 把计算机使用测试扩展到更长的真实软件任务。安全论文给出了最难反驳的证据：生成代码常常可利用，自主攻击系统在复杂的多步设置里仍会失败。
Patch Quality Gates
具体变化已经出现在三个地方：仓库修复代理可以围绕命名代码实体工作，并根据小而有效的 diff 来评估；补丁评估需要在测试通过率之外加入设计约束检查；AI 编写的安全敏感代码需要一个检查可利用性的审查门，而不是只信任提示词或自动攻击循环。
编码代理研究正变得更难作弊，也更容易验证
这一阶段最强的内容集中在那些要面对真实状态、真实失败模式和真实执行后果的编码代理上。SWE-STEPS 和 ABTest 让评估更具体。GrandCode 给出一个醒目的现场结果，而 IndustryCode 用更难的工业任务把上限拉回到现实。当前重点更少放在一次性补丁是否成功，更集中在代理能否在时间、工具和仓库历史中保持稳定。
仓库代理安全门
代码代理评估正在转向真实仓库状态、真实用户失败轨迹和真实扩展安全检查。眼下最明确的近期开销变化，是基于支持失败构建内部回放套件、带仓库健康评分的有状态 pull request 序列基准，以及在第三方技能接触开发者机器或 CI 之前设置隔离步骤。
软件代理研究对信号、证据和风险的要求更严了
这段时间最强的主题，是对软件代理的控制更紧了：训练用更干净的轨迹，评估用更好的日志，现实仓库和真实工作区里的代理行为也接受更难的测试。证据比标题党更务实。STITCH 说明更少但更有价值的轨迹能带来很大收益，而 GitHub 规模研究和安全研究把长期代码 churn 和 prompt injection 风险放到前台。
Agent workflow observability
这段时间的软件代理工作指向三项马上能做的流程改动：跟踪代理代码在合并后是否还能保留，发布可复用的运行包用于评估和训练，并把不可信内容隔离当作代理安全的一部分。共同点是更清楚地看到代理做了什么、保住了什么，以及周边脚手架允许了什么。