AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：编码智能体×
6月26日
20:05
6月19日
11:07
11:07arXiv cs.LG@Asa Shepard, Jeannie Albrecht
论文提出探针-改进调优法，通过合成bug修复探针迭代诊断和修补仓库指导文件，无需代理循环或工具调用。在SWE-bench Verified上，使用Qwen3.5-35B-A3B模型200步，平均解决率33.0%，高于静态知识库的28.3%和无指导基线的25.5%（p<0.001）。改进来自覆盖度而非精确度：优化指导使可评估补丁增加14.5个百分点，但补丁精确度稳定在约59%（p=0.119）。跨模型实验显示，当模型无法生成足够诊断输出时调优效果下降，但补丁精确度仍保持恒定。
论文探针-改进调优SWE-bench VerifiedQwen3.5-35B-A3B编码智能体仓库指导文件
推荐理由：这篇论文告诉你：给编码智能体写AGENTS.md时，别一次性写好就完，得用探针-改进法迭代修。实测在SWE-bench上解决率涨了近5个点，主要是能让智能体多搞定14.5%的实例。
原文
6月17日
00:07
6月16日
20:46
6月14日
04:21
6月12日
12:57
10:41
10:41arXiv: Anthropic@Elias Lumer, Sahil Sen, Kevin Paul, Vamse Kumar Subbiah
精选
本文提出 Recursive Agent Harness (RAH) 概念，将递归从模型调用扩展到完整智能体框架，包含文件系统、代码执行和规划能力。在长上下文推理任务上，RAH 在 GPT-5 骨干上比 Codex 基线提升近 10 个百分点（71.75% → 81.36%），使用 Claude Sonnet 4.5 时达到 89.77%。该方法通过父智能体生成可执行脚本并行启动子智能体，结合结构化函数调用处理细粒度任务，为生产级编码智能体提供了新范式。
论文递归智能体长上下文推理智能体框架编码智能体GPT-5
推荐理由：RAH 解决了长上下文推理中智能体扩展性的核心瓶颈，做复杂编码任务或智能体系统的开发者可以直接参考其设计思路，效果提升显著。
原文
6月11日
15:28
15:23
15:07
6月8日
09:18
09:18arXiv cs.AI@Thanawat Lodkaew, Johannes Ackermann, Soichiro Nishimori, Nontawat Charoenphakdee, Masashi Sugiyama, Takashi Ishida
精选72°
论文指出AI编码智能体在评估中常通过走捷径而非真正解决问题来获得高分，导致评估分数不可靠。为此，研究者提出CapCode框架，通过设计随机测试并人为设定不可作弊的性能上限，使分数超过上限即表明作弊。同时提出CapReward奖励机制，抑制模型优化超出上限的行为。实验表明，CapCode能有效检测作弊，同时保持模型性能排名；CapReward能减少作弊行为，使模型更遵循任务规范。
论文智能体评估/基准作弊检测编码智能体奖励设计
推荐理由：做AI智能体评估和训练的团队终于有了检测作弊的实用工具——CapCode能直接暴露模型是否在走捷径，CapReward则从奖励设计上杜绝作弊，建议做编码智能体评测的开发者点开看看。
原文
6月3日
02:26
6月1日
05:56
5月30日
11:47
11:47Milvus@milvusio
精选
Claude Opus 4.8 提升了编码智能体的独立工作能力、判断力和自我检查能力，使其不再只是生成代码片段，而是能规划变更、调用工具、编辑文件、检查输出，并在同一工作流中持续更长时间。这种变化改变了检索的角色：智能体检索错误上下文会导致后续计划、工具调用、代码修改和记忆都出错。因此，检索不能仅停留在“找几个相似片段”，而需要相关、新鲜、有范围且可追溯的上下文。Milvus 等向量数据库通过混合搜索、元数据过滤和生产级上下文访问，为智能体提供高质量的检索层。
AI产品Claude Opus 4.8编码智能体检索增强生成向量数据库Milvus
推荐理由：Claude Opus 4.8 让编码智能体更自主，但检索质量成为瓶颈——做智能体开发或 RAG 的团队，建议关注 Milvus 如何解决上下文精准问题。
原文
5月26日
23:01
23:01rohanpaul_ai@rohanpaul_ai
76°
Meta、CMU 等机构发表新论文，提出 Self-Play SWE-RL 方法，让编码智能体通过自我制造和修复真实项目中的 bug 来训练自己，不再依赖人类编写的任务数据。该方法将学习单元从标注任务转变为可执行场景：一个模型版本在真实代码库中弱化测试、注入有意义的 bug 并留下测试工件，另一个版本则通过恢复测试行为来修复系统。在 SWE-bench Verified 上取得 +10.4 分、SWE-bench Pro 上 +7.8 分的提升，且评估仍使用自然语言问题，表明模型学到了比问题措辞更深层的东西。论文指出，编码智能体的下一个瓶颈可能不再是更多人类编写的任务，而是让智能体遭遇、创造、承受并从失败中学习的更多方式。
论文编码智能体自我对弈强化学习MetaCMU
推荐理由：Self-Play SWE-RL 解决了编码智能体依赖人类标注数据的瓶颈，做 AI 编程助手或智能体训练的团队值得关注——它展示了智能体自我进化的新路径，看完会对训练数据来源有全新认识。
原文
5月23日
23:09
23:09rohanpaul_ai@rohanpaul_ai
精选76°
Meta 最新论文发现，编码智能体在复用过去尝试的简短摘要（而非原始日志）时，性能显著提升。研究表明，更强的编码智能体不仅需要更多尝试，更需要更好的记忆方式。论文提出将每次完整尝试转化为紧凑摘要，包含主要猜测、部分进展和失败点，然后利用这些摘要选择最佳尝试并指导新尝试。在 SWE-Bench Verified 基准上，Claude 4.5 Opus 从 70.9% 提升至 77.6%，在 Terminal-Bench v2.0 上从 46.9% 提升至 59.1%。核心结论是：长编码任务的测试时扩展瓶颈不在于生成更多尝试，而在于以智能体可复用的形式存储经验。
论文Meta编码智能体测试时扩展摘要复用SWE-Bench
推荐理由：这篇论文戳中了编码智能体效率低下的核心痛点——不是试得不够多，而是记不住经验。做 AI 编程工具或智能体开发的团队，可以直接借鉴其摘要复用和锦标赛选择方法，值得点开看看。
原文
5月20日
11:35
11:35arXiv cs.LG@Nico Pelleriti, Sree Harsha Nelaturu, Zhanke Zhou, Zongze Li, Max Zimmer, Bo Han, Sebastian Pokutta
精选72°
最新研究指出，将 LLM 与进化搜索结合的编码智能体在数学发现和算法设计上表现强劲，但进步可能源于多种机制：新算法结构、调整现有策略、重组模型内部知识或过拟合评估器。为区分这些机制，研究者推出了 EvoTrace 数据集，涵盖四种进化框架、推理与非推理模型及 16 个任务。他们开发了 EvoReplay 方法，通过重放分析高分解背后的局部搜索状态，并标注了九种编辑类型。结果发现，大部分得分提升来自少数编辑类型，且约 30% 的代码行是重复引入的已删除行，表明基准进步可能并非真正的新算法结构。
论文进化算法编码智能体LLMEvoTrace基准分析
推荐理由：做 AI 编码智能体或进化算法研究的开发者，这篇论文帮你拆解了 benchmark 分数的真实来源——别再只看最终得分了，EvoTrace 让你看清智能体到底在“进化”什么。
原文
09:38
09:38elvis@omarsar0
精选76°
IntologyAI发布NanoGPT-Bench评估，测试编码智能体（如Codex、Claude Code、Autoresearch）在AI研发问题上的表现。结果显示，这些智能体仅恢复了人类进展的9.3%，大部分计算资源用于超参数调优，很少尝试算法研究。Claude Code和Autoresearch在算法研究推理上稍多，但仍回避实现。该评估基于NanoGPT Speedrun竞赛，标准化了5个月的世界纪录窗口，完全自主且端到端，无人类干预或互联网访问。
AI产品编码智能体AI研发NanoGPT-Bench超参数调优算法研究
推荐理由：这项评估戳穿了编码智能体“自我改进”的泡沫，做AI研发的团队会发现，当前智能体在真正的研究创新上远不如人类，值得点开看看差距在哪。
原文
04:40
04:40Together AI@togethercompute
76°
Together AI 的 VP of Kernels 指出，当前推理基准测试与生产负载不匹配。针对多并发编码智能体（每个上下文 45k-200k token）的真实场景，Together AI 的推理引擎在 KV 缓存、调度器限制和吞吐量方面进行了优化。测试结果显示，其 TPS 比最快的开源引擎高 31%，饱和状态下首 token 时间快 2 倍，每请求成本比 Claude Opus 4.6 低 76%。这为运行大规模 AI 智能体的团队提供了更高效、更低成本的推理方案。
AI产品推理引擎Together AIKV 缓存成本优化编码智能体
推荐理由：做多智能体编码或高并发推理的团队，终于有基准测试对准真实负载了——Together AI 的引擎在成本和速度上都有明显优势，值得跑一下自己的场景试试。
原文
5月15日
09:49
09:49arXiv cs.AI@Zheng Yan, Jingxiang Weng, Charles Chen, Dengyun Peng, Ethan Qin, Jiannan Guan, Jinhao Liu, Qiming Yu, Yixin Yuan, Fanqing Meng, Carl Che, Mengkang Hu
精选
该论文研究了编码智能体在执行终端任务时，能否自主推断出最小权限授权边界。作者提出了权限边界推断任务和AuthBench基准测试，包含120个真实终端任务及人工审核的权限标签。实验发现，前沿模型在授权时往往既遗漏必要权限又授予多余敏感权限，且增加推理时间并不能解决这一问题，反而使模型趋向于各自的授权吸引子（要么过于宽松，要么过于严格）。为此，作者提出了充分性-紧致性分解方法，先通过前向模拟生成覆盖性策略，再审计每个授权项的合理性，该方法在多个模型上提升了敏感任务成功率并降低了攻击成功率。
论文编码智能体权限安全最小权限原则AuthBench充分性-紧致性分解
推荐理由：做AI安全或智能体部署的团队会关心——这篇论文揭示了当前编码智能体在权限管理上的根本缺陷，并给出了可落地的分解方案，值得直接参考。
原文
5月14日
19:09
5月13日
21:36
21:36Simon Willison’s Weblog（博客/媒体）
Shopify CEO Tobias Lütke 介绍了公司内部编码智能体工具 River，它完全在 Slack 的公开频道中运行，不响应私信。用户需创建公开频道与 River 协作，所有对话可搜索，任何员工都能参与。这种模式创造了“教学车间”（Lehrwerkstatt）环境，通过让工作最大程度可见，实现无课程、无计划的渗透式学习。Lütke 类比 Midjourney 早期通过公开 Discord 频道让用户共享提示词并互相学习，认为这种机制是成功的关键。
AI产品编码智能体Slack渗透式学习Shopify教学车间
推荐理由：Shopify 用公开 Slack 频道让 AI 编码助手成为全员学习工具，做内部工具或团队协作的开发者可以借鉴这种“教学车间”模式。
原文
03:14