编码代理正按证据链和运行框架接受评判
这一时期把编码代理视为需要可审计任务来源、可执行安全证据和感知运行框架评分的产品。SWE-Future 处理基准污染；Code-Augur 把安全假设记录为断言；Cursor + Claude Fable 5 显示，同一模型在另一种代理运行框架下的得分可能差异很大。
主题概况
Software Engineering Benchmarks
关注来源的编码代理评估
编码代理工作正在转向几类检查：保留任务来源、区分可见正确性与隐藏安全行为，并把代理推理转化为可执行证据。这些实际改动足够小，可以放进现有评估和安全工作流中测试：让同一个模型通过多个运行框架执行，要求安全专用隐藏测试，要求审计代理写出可证伪断言，并基于截止日期前可用的仓库证据构建面向未来的任务。
编码代理运行时控制
编码代理采用现在需要围绕运行时循环做具体工作：在完成前强制执行重复的用户纠正，在同一评分契约下比较代理 harness，并在代理编辑文件前为其提供既往修复和失败尝试的本地记录。
Coding agents need state, measured harnesses, and action gates
当天最强的信号是，coding agent 正被当成需要记忆、harness 计量、gate 和 monitor 的产品。PROJECTMEM、Claw-SWE-Bench 和 CodeSpear 把一个实用议程定了下来：让 agent 保持状态，测量 harness，并测试代码特定工具引入的安全路径。
Coding Agent Control Points
编码代理的采用正在转向具体控制点：用打分的 harness 运行来区分模型质量和 adapter 设计，用本地仓库记忆在重复失败修改前发出警告，以及为会压制拒绝的代码生成模式加入安全检查。真正有用的工作很具体：固定评估契约，把项目状态记录在聊天窗口之外，并在 decoder 设置进入开发流程之前先测试它们。
代码代理运行溯源
代码代理工作现在已有足够证据支持更窄的采用门禁：接受代理拉取请求前要求可运行的设置和测试证明；信任排行榜数字前审计评测工具链中的分数利用；漏洞修复中使用成对的崩溃和安全执行。共同的运维需求是一份记录，说明运行了什么、什么失败了、改了什么，以及可用权限有哪些。
代码代理正按已交付系统和已验证修复循环接受评判
当天最强的信号是具体执行。SaaSBench 和 WebGameBench 评估已交付的软件行为，而 ContraFix 和 MemRepair 通过把运行时证据和历史修复放进循环来改进修复。当前重点是运维层面：环境搭建、集成、验证和审查控制决定代理是否有用。
编码代理的运行时验证循环
测试编码代理的团队应该增加验收门，运行交付出来的系统，在修复过程中保留运行时证据，并用已经执行过的 API 调用来训练工具调用器。真正有用的工作在代理周围的验证循环里：浏览器、Docker 运行时、测试、崩溃输入、安全输入和缓存的工具输出都会成为工作产物。
编码代理信任关卡
编码代理的采用需要在正常工程工作中加入证据检查：工具调用的执行前验证器、维护任务的仓库接受规则，以及积压工作的分阶段工单安全测试。共同压力是在真实操作、合并或安全敏感部署前建立可操作的信任。
编码代理正在接受克制、证明和仓库纪律的评判
编码代理研究正在用可执行检查来测试决策质量。FixedBench 测量代理什么时候应该保持代码不变。SWE Atlas 评测日常仓库工作。VeriContest 表明，普通代码生成离机器检查过的正确性还有差距。
Coding Agent Control Points
采用 coding agent 的团队现在可以加上三个具体控制：针对过期问题的预编辑拒答检查、针对代理指令和权限的仓库配置审计，以及针对需要机器检查正确性的代码的证明导向通道。
Repository-grade coding exposes where agents still break
当天最清晰的信号是，对大型语言模型（LLM）软件代理的评估在收紧。生成代码必须满足架构、测试、迁移和真实开发者轨迹的要求。TACT 和 ASTOR 改善了控制。仓库证据仍然显示，很多代理过不了结构和维护要求。