这一天最强的信号是带有可执行检查的实用代码代理工作。FrontierSmith 和 DIO-Agent 用评分或执行错误，把编码任务变得更难，也更有用。Orchard 在沙箱规模上展示了同样的需求。安全类论文把权限和第三方技能变成了核心设计问题。
FrontierSmith 将开放式编程当作数据问题来处理。它把封闭的竞赛编程任务改造成优化任务，筛选解法多样性，并构建评分验证器。在 200 个合成问题上训练 Qwen3.5 模型后，9B 版本的 FrontierCS 提升 8.82 分，27B 版本提升 12.12 分，在 ALE-bench 上也有较大提升。
DIO-Agent 解决的是相关问题：只有输入输出示例时的代码合成。它运行一个进化循环，由大语言模型（LLM）编辑代码，执行过程给出具体错误，课程安排再逐步加入更难的案例。在 IO2CodeBench 上使用 DeepSeek V3.2 时，它的平均通过率达到 58.63，超过 CodeEvolve 的 49.60 和 AlphaEvolve 的 47.29。共同结论很直接：更强的编程系统需要比一个提示和一个答案更丰富的任务信号。
Orchard 把代理训练变成了系统问题。它的 Kubernetes 原生环境服务处理沙箱创建、命令执行、文件 I/O、网络策略和清理。同一层也支持软件工程、浏览器使用和个人助手代理。Orchard-SWE 在监督微调（SFT）和强化学习（RL）后，在 SWE-bench Verified 上报告 67.5%，而环境服务的平均命令延迟为 0.280 秒。
两项更广泛的研究解释了这对落地为何重要。一项对 92 篇原始研究的系统综述发现，工业界代理的使用集中在输出可以由测试、编译器、日志、指标或持续集成状态检查的场景。对 12 家公司的访谈研究发现，大多数生产使用停留在助手或任务代理层级。4 家公司有更强的实验性代理，但因为人工审查仍是主要的准入路径，没法部署。
AuthBench 把最小权限访问变成一个可测量的编码代理任务。模型必须先推断读、写、执行的允许列表，再运行终端任务。完全访问让敏感任务的成功率很高，但攻击成功率也达到 65.8%。金色权限把攻击成功率压到 0.0%。生成的策略仍然在效用和暴露之间取舍：Gemini 3.1 Pro 在敏感任务上的成功率达到 85.8%，攻击成功率为 28.3%。
技能供应链论文显示了第二个控制缺口。语义合规劫持（SCH）把恶意意图藏在自然语言技能说明中，导致代理自己写出并运行有害代码。在测试的平台和模型上，这种攻击的完整泄露率达到 36.00% 到 62.11%，远程代码执行成功率达到 30.56% 到 64.44%。论文中报告的扫描器对最初仅有文字说明的技能检测率为 0.00%。
有几篇论文关注代理如何选择并保留合适的证据。软件工程检索增强生成（RAG）研究把查询处理、检索、上下文精炼和生成分开来看。它的主要实证结论是，检索器的选择往往比生成器的选择更影响最终质量，而 BM25 在测试的软件任务中仍然很强。
MemDocAgent 把类似关注点用于仓库文档。它为按依赖顺序进行的文档工作保留一条长期记忆，验证事实一致性，并保存先前主张。在 20 个 Python 仓库上，它用 GPT-5-mini 生成 3,323 份文档，完整性得分 0.958，真实性得分 0.952，实用性得分 0.800。RCLAgent 把证据控制用于微服务故障定位：它把代理分配到 trace span，再沿 trace 图合并局部发现，报告的准确率比第二好的根因定位方法高约 7.51%，比其他基于 LLM 的方法快 1.75 倍以上。