当软件代理的工作可执行且访问范围受限时，它们表现最好
当天最强的软件代理论文都让大语言模型 (LLMs) 先提出代码、计划或动作，再用执行、验证器、检索门控或实时工具检查它们。ReaComp、Slyp 和 ARC-AGI-3 展示了同一个当前重点：代理输出需要可测试的底座和受限的操作范围。
主题概况
Software Agents
有边界的代理执行
三个实用变化很突出：在共享企业代理的检索和工具循环里强制授权；把新服务创建导向已批准的 Backstage 模板；把重复的程序综合工作编译成可复用的符号求解器。每一种都给代理加了明确边界和可测检查。
软件代理工作正在更明确地强调规格、检查和整仓库任务
当天最强的证据支持这样一种软件代理：它先写下任务，在仓库尺度上行动，并通过具体检查。ReCodeAgent 和 REAgent 在生成前加入规划或需求后，拿到了可测的提升。CLI-Tool-Bench 和 SWD-Bench 则把评测收紧到端到端行为、仓库理解和下游可用性上。
仓库任务验证
最近最清楚的方向，是在仓库代理前面加上明确的规格和验证步骤，再用端到端的仓库任务来测试它们，而不是只做局部代码检查。证据支持三个具体动作：在修 issue 之前先写结构化需求，把仓库迁移包装成带规划和验证检查点的流程，以及用空工作区的黑盒 CLI 行为测试来评估 0 到 1 的代码生成。
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。