编码代理验证控制
代理编写的代码需要质量门禁来检查测试实际断言的内容，需要修复循环把有针对性的执行证据传回模型，也需要评估报告区分模型、harness、环境、验证器和技能的影响。共同的操作问题是虚假的信心：PR 可能包含断言很弱的测试，修复代理可能只能看到通过/失败反馈，而排行榜分数可能隐藏能让结果产生两位数百分点变化的 harness 选择。
主题概况
Test Oracles
编码代理需要仓库级测试和上下文防护
当天最强的信号是，围绕已经在处理多文件工作的编码代理，工程纪律开始变得更重要。DeNovoSWE、EsoLang-Bench 和 DeLM 都在测试代理能否构建完整仓库、通过执行进行适应，并且不浪费调用就共享已验证进展。安全论文给出明确警告：看起来正常的上下文，也能把生成或分析出来的代码带向不安全行为。
Repository-scale code assistant safeguards
代码代理评估正在转向可执行的仓库级工作、基于源代码的测试生成，以及对送入模型的上下文做安全检查。实际工作是加入跨文件和依赖关系的验收测试，基于实现证据生成 API 断言，并在评论、文档、示例和附近代码进入代码生成提示前先筛查它们。