Agent 的性能越来越取决于模型周围的可执行控制层。TTHE 通过根据无标签轨迹编辑 harness 来改进固定的大语言模型（LLM），Long-Horizon-Terminal-Bench 则显示了当前 agent 在持续终端工作中的性能会多快下降。仓库级检查补足了这一点：实用的 agent 需要自适应控制、密集评估和结构验证。
Harness 正在成为优化目标。TTHE 使用运行时错误、工具输出、公开测试和其他无标签轨迹，对可执行控制程序进行分支和编辑。使用 DeepSeek-V4-Flash 时，BIRD 准确率从 12.0% 提升到 50.0%，SWE-bench Verified 从 20.0% 提升到 35.0%。这些增益具有传导性，不完善的代理信号仍可能导致选择错误。
自动化 harness 适配也改变了部署成本。在 21 个任务-模型组合中，优化后的 harness 改进了其中 16 个，并在其中 7 个组合中缩小了小语言模型（SLM）的差距。表现最好的 SLM agent 达到了前沿 LLM 性能的 89.7%，成本仅为其 4%。另一项企业研究将来源、路由、输出和轨迹要求编码为代码；270 次模型边界运行全部通过这些契约，而外接式护栏降低了测得的效用。
Long-Horizon-Terminal-Bench 使用 46 个容器化任务和密集的子任务奖励来衡量持续执行能力。每次运行平均使用 990 万个 token，包含 231 个回合，耗时 85.3 分钟。测试中表现最强的模型在 0.95 奖励阈值下完成了 7 个任务。在所有模型中，平均通过率为 4.3%，超时导致了 79% 的未解决运行。
密集评分揭示了失败过程中的差异。690 次运行中有 433 次获得部分奖励，其中 180 次的奖励达到或超过 0.5。有 73 次运行接近完成，而完全通过的运行有 30 次。这些数据让开发者能够了解最终状态评分所掩盖的进展、停滞和验证失败。
仓库级编码需要与待实现过程相匹配的上下文。ProjAgent 会检索计算步骤相似的函数，即使它们的词汇和应用领域不同，然后使用编译器和静态分析反馈进行修复。该方法在 REPOCOD 上报告了 41.14% 的 Pass@1，但现有证据没有量化其相对于检索基线的优势。
代码生成完成后，还需要检查整个仓库范围内的不变量。Patchwork Problem 将导入、调用、依赖、配置、模式、资源、控制流和路由建模为相互协调的图。该研究涵盖 336 次生成，并在 43 个真实世界的 AI 生成仓库上验证了这些失败类别。论文提供的摘录没有报告精确率、召回率或数值失败率，因此现有证据支持的最主要贡献是验证器的覆盖范围和分类体系。