本周的编码代理研究设定了一条清晰标准：生成的工作需要上下文、轨迹和可执行检查，之后才值得信任。SWE-Edit、AutoMat 和 LiveFMBench 在编辑、科学复现和形式化规约中都显示了这种模式。
几项结果把代理接口也纳入被衡量的能力。Context-Augmented Code Generation 报告称，加入产品上下文检索系统 Brief 后，在一个 8 任务基准上，Claude Code 的决策遵循率从 46% 提高到 95%。这个结果有用，但论文也指出了一个工作流混杂因素：Brief 改变了可用上下文，并加入了规格说明、验收标准和构建过程中的指导。
SWE-Edit 提出的是范围更窄的系统主张。它把文件查看和补丁编写拆成两个独立子代理，让主代理保留更干净的推理上下文。在 SWE-bench Verified 上，它把解决率从 69.9% 提高到 72.0%，总推理成本降低 17.9%，编辑成功率从 93.4% 提高到 96.9%。共同的实际结论是：代理质量取决于模型能看到什么、被要求写什么，以及编辑如何被应用。
本周最有力的评估要求代理留下可检查的产物。AutoMat 测试 85 项计算材料科学论断的复现。测试中表现最好的代理达到 54.1% 的成功率，而仅凭论文进行复现时，各系统的成功率接近于零。薄弱点在于重建说明不足的流程，并判断输出是否支持科学论断。
LiveFMBench 把同样的约束用于 C 程序的形式化规约。它使用 630 个带 ACSL 注释的程序，并过滤掉会修改程序或断言的输出。经过这项忠实性检查后，测得的准确率下降约 20%。Claw-Eval-Live 通过记录工具轨迹、服务审计日志、命令轨迹、文件、测试和服务状态，把基于轨迹的评分扩展到工作流代理。其领先模型通过 105 个任务中的 66.7%，因此这个基准仍暴露出许多真实工作流失败。
安全和测试论文给模型一个受约束的任务，再用具体信号验证输出。FeedbackLLM 把未覆盖的行和分支数据反馈到后续提示中，用于生成 C 和 Python 测试。它在多个 PALS/RERS 程序上报告了较大提升，但摘录也显示了一些较弱案例，并且没有给出总体平均覆盖率。
QASecClaw 保留 Semgrep 作为高召回扫描器，然后让面向编码的大语言模型结合源码上下文判断每个发现。在 OWASP Benchmark v1.2 上，误报从 560 降到 64，召回率下降 3.1%。VulKey 对修复采用类似的受限方法：它使用 CWE 类型、语法动作和安全专用关键元素预测修复模式，然后生成补丁。在 PrimeVul 上，它报告的修复准确率为 31.5%，比摘录中的最佳基线高 7.6 个百分点。
本周还把编排和服务纳入代理性能的可衡量部分。SAGA 在 GPU 集群上调度整个代理工作流，而非把每次模型调用都视为独立请求。原因很具体：代理任务可能进行 10 到 100 次带工具间隔的链式调用，而请求级调度器会重新生成缓存，并抬高端到端延迟。
在 64 张 A100 GPU 上，相比带自动前缀缓存的 vLLM，SAGA 在 SWE-bench 上把任务完成时间缩短 1.73 倍，在 WebArena 上缩短 1.55 倍。代价也很明确：峰值吞吐量比面向吞吐优化的批处理低约 30%。这种核算方式符合本周更广泛的标准。代理工作按完整任务时间、已保存轨迹、可复现产物，以及用户可检查的失败模式来评判。