5 月 4 日最强的工作把大语言模型（LLM）编码代理当作工程系统来审视，关注受限工具、显式仓库状态和可测量成本。Terminus-4B、ARISE 和 TSCG 给出了最清楚的证据：当代理拿到合适的接口时，更小的专用组件可以节省 token，或者改善修复效果。
Agent 执行正变成一个有成本的子系统。Terminus-4B 训练了一个 4B 模型，让它为编码代理运行终端命令，再把简短摘要返回给主代理。文中给出的 Serilog 示例把主代理 token 从 2.46M 降到 740k，同时子代理在内部处理 9 条命令，并用大约 200 个 token 报告构建、测试和失败细节。
TSCG 在工具目录层面处理同样的部署压力。它在模型看到之前，把 JSON 工具 schema 编译成结构化文本。论文报告了跨 12 个模型约 19,000 次基准调用，小模型在 20 到 50 个工具时提升很大，在生产风格 schema 上也节省了大量 token。这个实际主张很窄，也很有用：当代理的接口按模型消费方式来写时，它调用工具会更可靠。
仓库级修复论文关注的是，代理在改代码前能检查到哪些证据。ARISE 给仓库图增加了语句级定义-使用边，再把切片和上下文工具暴露给 SWE-agent 设置。在 SWE-bench Lite 上，它报告 Function Recall@1 提高 17.0 个百分点，Line Recall@1 提高 15.0 个百分点，Pass@1 为 22.0%，修复了 300 个问题中的 66 个。
结构化规范驱动工程（SSDE）在生成任务上提出了类似观点。它在构建 Python MVC 后端时，给 LLM 提供 Gherkin 场景、领域模型、生成的 API 签名和模板。试点结果显示，生成的签名往往比原始领域模型更有帮助：在所有测试过的 LLM 中，签名把平均测试通过率提高了 7.82 个百分点，并降低了方差。失败分析也很有用，因为 49.0% 的错误是不存在的 API 调用，20.2% 是类型不匹配。
ARIADNE 把竞赛编程看成固定预算下的搜索问题。它使用 Monte Carlo Tree Search (MCTS) 和一个共享黑板，黑板里存放约束、候选策略、生成的测试、反例、诊断和修复笔记。使用 GPT-4o 时，它在 APPS 上的 Pass@1 为 41.30，在 CodeContests 上为 46.67，在 CodeContests+ 上为 27.27，在 LiveCodeBench 上为 20.91，并且都优于文中列出的 CodeSim 基线。
这条工作线把执行反馈当作可复用状态。关键细节是反馈的格式：ARIADNE 把标量奖励和结构化笔记结合起来，再把搜索预算导向测试和修复更好的分支。这样做让隐藏边界情况和失败尝试进入下一次编码决策。
一篇论文把评估目标扩展到了可维护性。AI-generated smells 研究把 LLM 在 90 个 CodeContest 问题上的输出与人工提交对比，然后又审查了 20 个 MetaGPT 项目在需求阶段递进时的表现。它报告了 Long Method、Too Many Branches、Potential Improper API Usage、Unstable Dependency 和 God Class 这类 smell 模式。
这些证据没有修复和工具调用论文那么数值化，但警告很具体。能通过测试的代码仍然会积累维护债务，更大的生成系统需要静态检查和测试通过率一起看。SSDE 的失败分析也支持同样的工程需求：很多仓库生成错误都是 API 和类型错误，运行测试之前就能被静态分析抓到。