编码代理正在接受操作性证据、审查门控和可执行检查的评判
当天最强的信号是 AI 编码系统的操作性证据。论文在真实会话中测量代理如何失败，在生产中限制低风险审查，并用规格或领域不变量测试生成代码。RADAR、TRAILS 和 Agora 把重点放在同一件事上：只发布能够被检查、约束或复现的内容。
主题概况
Vulnerability Repair
Generated Code Quality Gates
编码 agent 的普及正在带来审核队列、薄弱的正确性证据和重复的安全修复工作。可行的做法是：给低风险 diff 加更窄的门控，在缺少测试时对生成代码做可执行检查，以及为漏洞修复 agent 保存修复记忆。
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。
当软件任务给出窄证据时，LLM 更有可信度
当天最强的研究把大语言模型（LLM）当作软件工件的有限审查者来使用。QASecClaw、VulKey 和 ACDL 显示了当前重点：给模型一个具体发现、补丁模式或上下文规范，然后测量或检查结果。关于控制和轨迹的近期工作在这里也很明显。
有边界的 LLM 复核门禁
当输入已经被限定时，LLM 采用最可信：一个扫描器告警、一个按固定清单检查的工作流文件，或者一对重构前后的代码。实际做法是加一层小型复核，并设置明确的回退规则，在接触生产门禁之前先做本地准确率检查。
验证和耐用工具边界正在成为 AI 编码系统的核心工程工作
当天最强的信号很简单：研究正在收紧 AI 编码和分析系统周围的控制回路。最好的论文把验证、类型化失败信号或可执行检查放到智能体原本会猜测的位置。Resilient Write 给出了最清楚的系统结果，而 Verify Before You Fix 和规格推断工作显示出同样的偏好：在安全和测试中先做有证据支撑的动作。
可执行验证层
具体工作正在转向工具边界和可执行检查。面向 MCP 风格编码代理的耐久写入层看起来已经可以直接产品化。在安全分析中，修复前先看执行证据看起来是 AppSec 工作流里的一个实用变化，并且在减少误修方面有明确收益。在 Java 验证和测试里，生成的反例测试看起来适合作为噪声较多的推断规格的过滤器。