有状态评估正成为默认门槛
评估正在更接近真实的软件工作。每日趋势综述反复聚焦执行、重放和仓库状态。SWE-STEPS 和 ABTest 让智能体在连续变更和行为驱动测试中行动。ProdCodeBench 和 IndustryCode 让相关结论继续锚定在源自生产环境或工业场景的任务上。共同的门槛很明确：智能体必须能在状态、工具和更长任务跨度下稳定完成工作。
趋势
软件智能体研究正收紧到可执行证据和控制循环上
概览
本周的软件智能体研究在“结论能否通过执行和明确控制来检验”这一点上最有说服力。重心很务实：更严格的评估、更紧的上下文与权限边界，以及更强地使用编译器、测试和运行时信号。ProdCodeBench、SWE-STEPS 和 Squeez 很能体现这种重点。
研究发现
上下文与动作控制正在被更明确地规定
对智能体循环的控制现在已是研究的核心面向。本周最有力的综述强调智能体可以读取、记住、运行和修改什么。Squeez 直接处理上下文膨胀问题。AmPermBench 检查权限覆盖范围。本周更早的时候，关于代码上下文压缩和 NL/PL 边界分析的工作已经指向同一方向：更紧的输入和更清晰的动作边界，比一味扩展提示词更能产生干净的证据。
资料来源
可信信号来自编译器、测试和验证器门控
验证信号正进入生成和修复循环内部。每日综述显示，代码执行、证明义务、测试行为、编译器检查和验证器门控，是研究者最信任的信号。Think-Anywhere 和 WybeCoder 在本周早些时候就符合这一模式。到周末，编译器与 LLM 的协作，以及受安全约束的待办编排，把同样的思路扩展到优化和更广泛的开发工作流中。
资料来源
失效分析正聚焦已暴露的操作风险
风险分析正在变得具体。趋势文档点出了提示注入暴露、长期代码 churn、被污染的技能，以及对架构理解薄弱等问题。这些不是抽象的安全提示。它们与仓库规模的研究和明确控制措施一起出现，因此更容易检查和比较失效模式。即使循环的其余部分已有较完整的监测，架构相关工作看起来仍不如代码编写时的辅助稳定。