4 月 22 日的研究，最有力的部分出现在编码工作与真实使用、项目脚手架和直接执行检查相交的地方。SWE-chat 用保留代码和用户反对来支撑编码代理的说法。HARBOR 和 AGENTS.md 显示，harness 和文档选择能像模型选择一样改变结果。WebGen-R1 和 LLMVD.js 把同样的压力推进到网站生成和安全领域，在那里，输出是按运行中的系统来打分，而不是按润色过的文本来打分。
真实使用证据越来越难以忽视。SWE-chat 记录了跨 200 多个仓库的约 6,000 个会话，显示编码代理被用于代码理解、git 操作、调试和完整代码编写，而不只是类似基准测试的打补丁。一个有用的修正是，输出量对价值来说是个很弱的代理指标。代理写出的代码总体保留率是 50.3%，协作会话降到 44.1%。同一篇论文还显示出明确的成本和风险差异：vibe coding 的工作每 100 行已提交代码使用 204K token，每 1,000 行已提交代码引入 0.76 个漏洞；协作会话分别是 0.14 个。这个结果符合近期一批加入执行和行为检查的论文，但这篇补上了缺失的实地层面：开发者保留了什么、拒绝了什么，以及他们多频繁地提出反对。
编码代理周围的控制面正在变得更明确。一类工作把项目文档当作直接的性能输入。AGENTS.md 研究报告，简短、面向任务的文件带来 10% 到 15% 的提升；使用六步工作流后，缺失接线文件的比例从 40% 降到 10%；文档过于臃肿或充满警告时，失败会明显增多。另一类工作把 harness 本身当作优化目标。HARBOR 表明，手动叠加标志位会适得其反：基线在 15/89 个任务上通过，加入一组原生标志位后升到 17/89，但再加入自评估后降到 13/89，再加更多已发表技术后降到 12/89。Shift-Up 处在同一主题的流程侧。它用需求、架构记录和可执行测试来约束代理工作，但证据仍然是定性的。共同重点很清楚：团队在调整模型外层的包装，也在调整模型输出本身。
带执行结果的评估正在扩展到相邻的编码任务。WebGen-R1 用强化学习做多页网站生成，但关键细节在于它的奖励设计：网站必须先通过结构检查、构建、启动和渲染，视觉评分才开始起作用。在论文报告的基准上，valid render ratio 从 30.56% 升到 95.89%，functional quality 从 1.59% 升到 29.21%。安全研究也在用同样的具体确认方式。LLMVD.js 不停留在 Node.js 包里的可疑流转；它会生成并运行概念验证漏洞利用，确认了基准中 84% 的漏洞，并为最近 260 个包中的 36 个生成了已验证的漏洞利用。另一篇基于 OSV 的评估论文给出一个更窄的判断：即使是扫描器比较，也需要版本级真值，数字才可信。主线是实用验证。系统现在按直接检查下能运行、能渲染，还是能被利用来评判。