当天的主要信号是对代码代理的操作纪律要求。Trace、AgentBeats 和 ComAct 都把代理当作系统来处理，这些系统需要可执行的规则、可重复的评估，以及更安全的动作通道，团队才能在真实软件工作中信任它们。
对代码代理的研究正在把用户偏好放到比记忆条目更高的位置。Trace 会提取持久的用户纠正，把它们改写成原子规则，并在活动验证器通过之前阻止任务完成。在 ClawArena 上，报告的提升很大：分布内的违规率从 100.0% 降到 37.6%，分布外降到 2.0%。
仓库级指导呈现出更不稳定的结果。一项覆盖 148 个项目、15,549 个代理式 pull request 的研究发现，说明文件有帮助，但结果取决于文件本身。合并率至少提高 20% 的项目，说明文件更长、结构更清楚，中位数为 976 个词；而大幅下滑的项目中位数只有 569 个词。实际结论很直接：团队需要有范围、检查项和结构的说明，还需要在运行时用钩子让代理照着执行。
两项基于 AIDev 的研究把代码代理描述为会消耗真实审查资源的贡献者。在一个样本中，来自 Copilot、Devin、Cursor 和 Claude 的 bug 修复 pull request 中有 46.41% 被拒。拒绝分类指向失效或已被替代的修复、错误实现、错误方法和持续集成失败。
另一项针对 151 个 Java 仓库的因果研究提醒人们不要只看架构指标的表面。代理式 AI 采用与 6.7% 更低的架构异味密度相关，但原始异味数保持不变，而代码量上升了 12.8%。如果团队只通过归一化密度来衡量代理质量，就会看不到底层架构负担几乎没有变化。
AgentBeats 把基准测试本身做成了一个代理。它的 Agentified Agent Assessment 方法用 Agent-to-Agent 通信做任务管理，用 Model Context Protocol 做工具访问，所以被测代理可以通过共享的交互模式接受评估。作者报告了一场持续五个月的公开竞赛，包含 298 个裁判代理、467 个被测代理，以及覆盖代码、网页浏览、医疗和多代理游戏的基准。
这和可复现性有关，因为代理行为常常取决于测试框架。AgentBeats 声称，它的代码案例研究在可比较的地方保留了公开记录的一致性，同时也暴露了传统设置里缺失的一对一结果。这个语料里最强的证据是规模和兼容性，而不是某个单独的分数表。
ComAct 通过把 Component Object Model，也就是 COM，作为代理动作空间来面向专业 Windows 软件。代理为 SolidWorks 和 AutoCAD 这类应用编写 Python COM 脚本，从而对密集界面进行语义化的程序控制。在 ComCADBench 上，这个基准包含跨三个 CAD 应用的 1,000 个任务，报告的任务成功结果通常远高于基于 GUI 的代理，论文说后者接近于零。
安全证据说明了为什么这些动作通道需要严格授权。Obsidian Security 报告了一个 CVSS 9.9 的 LiteLLM 利用链，默认的低权限用户可以进入管理员路由并在服务器上执行代码。由于 LiteLLM 位于代理和模型提供方之间，网关一旦被攻破，就可能暴露密钥，并改变下游代理看到或执行的内容。