近期围绕编码代理控制机制的关注仍在持续，但目前最有力的证据已转向代理循环内部的工作。语义化的代码仓库结构减少了重复探索和脆弱编辑，执行反馈则引导更低成本的恢复和更有力的功能检查。大多数收益仍来自作者报告或特定任务，因此尚未确立其对广泛生产应用的影响。
三个系统用明确的软件结构取代了无定向的文本处理。TraceDev 将需求、设计和代码连接成可追溯性图谱；在 125 个用例上，它报告了 ETOUR 数据集 53.63% 和 SMOS 数据集 56.82% 的成功率。Source code algebra 则公开了重命名、参数变更等语义操作。在初步的跨文件探测中，它所使用的令牌数比基于文本编辑的基线少一个到两个数量级。JetBrains Context 在检索阶段通过增量语义索引应用了同一原则，据报告，代理交互轮数最多减少 68%，延迟最多减少 59%，执行成本最多减少 48%。共同机制是减少重复发现和分散编辑，但只有 TraceDev 提供了跨多个数据集的学术比较。
执行结果正被用作控制输入，而不是最终结论。CodeRescue 在反思、重新规划和升级之间路由失败尝试；其经过校准的前沿上有一个点，在平均恢复成本仅为始终升级方案 35% 的情况下，成功率超过了始终升级方案。LISA 使用有效的 API 序列和基于文档的规约来发现不会导致崩溃的功能缺陷，在其评估中比 CITYWALK 多检测出 9 个重新引入的缺陷。这两项研究覆盖不同阶段，但都从运行时证据中提取了更多价值。CodeRescue 的保证适用于既定假设下的期望成本，而 LISA 仍要求开发者确认报告的候选缺陷。
新的代码评测强调全新的实例和可运行的正确性。Spaghetti Architect 生成经过预言机检查的五种语言程序，同时独立控制问题规模和表层混乱程度；在算术聚合任务上，随着内在规模增加，即使测试中最强的模型，其精确匹配准确率也降至零。SciCodePile 将一个 125GB 的科学代码语料库与 200 个可执行任务结合起来，其中评测中最强的模型达到的 Pass@1 也只有 12.30%。领域调优能够带来帮助——小模型的指令调优将 Pass@1 从 1.90% 提高到 9.10%——但该基准仅限于依赖项经过桩替换的纯 Python 函数。总体而言，这些结果表明，受控且可执行的测试仍明显比生成看似合理的代码更难。