标签
CuraLoc 是一种仓库级故障定位方法，通过在检索源码前一次性规划符号检查路线（RouteMap），在 SWE-Bench Lite 与 Verified 上取得更优的 Func@1/Func@5 精度，同时比 LocAgent 减少约 90% 的 token 消耗。
一个小工程团队在对 AI 代理生成的 PR 强制执行 AI 审查流程（CodeRabbit/Claude）后，将值班呼叫从每月约 14 次降至每月 2 次：要求代理先修复被标记的问题再上报给人类，并回退任何无法解释的超范围改动。
Sergio Pavone（@svpino）分享了对 Kylon 的早期使用体验。Kylon 是一款「公司编排层」，将人员、数据和 AI 智能体统一集成到一个工作区中，支持与 Codex、Claude Code、Devin 等众多编程智能体对接。
我们提出 BrickBench，一个面向智能体文本条件 LEGO 套装设计的基准测试。在该任务中，智能体需要从离散零件库中生成可实际搭建的组装结构，同时满足语义和设计标准。论文还推出了 BrickAgent——一个面向编程智能体的环境，并发现领先智能体虽能满足物理可搭建性要求，但在设计质量上仍不及人类作品。
上海 AI 实验室的一篇论文提出了 SkillGym，该方法将人工编写的 agent 技能文件转化为沙盒化的通过/失败任务，并在验证通过的运行上微调模型，从而提升 agent 的性能（例如 Claude Code 在 Terminal-Bench 2.1 上提升 19.10 分），即便在提示词中不提供技能文件也能奏效。
JetBrains 推出 Air——一套面向 agentic 软件开发的开放式多平台产品体系，整合了基于 IDE 的 Agent 编排（JetBrains IDE 中的 Air）、团队协作（Air Teams）以及组织级管控（Air Governance，前身为 JetBrains Central），其 Junie 编程 Agent 在所有平台上均获得支持。
Terminal-Universe 是一个框架，它从智能体轨迹中重建可执行工作空间，以合成多样化的训练任务，并通过监督微调提升 AI 智能体的后训练性能。
这条推文讨论了像圈复杂度预算和 CSS/JS 限制这样的自动 lint 规则，这些规则对人类来说严格，但对编码代理有效。Sam Saffron 强调了它们在防止长期代码腐烂方面的作用。
本文评估了当代码库受到语义保持转换干扰时，AI代码代理的鲁棒性，揭示了一个崎岖的前沿，其中模型性能在不同的框架和基准测试中不可预测地变化。
SigMap 是一个针对 AI 编码代理的开源基础层，它提供代码仓库的确定性地图，减少上下文浪费，提高检索准确率和任务成功率。
SkillOpt-Lite 提出了一种用于自主智能体技能优化的最小可行流水线，通过将所有组件视为可编辑代码并集成到生产编码智能体中，实现更好更快的自我进化。它通过零阶优化形式化技能优化，并在基准测试上优于先前方法。
本文认为，现在框架（代理框架）比模型本身更关键，并通过Cline的测试展示出推理预算调整带来的性能差异。Cline推出了ClinePass，这是一种订阅服务，可以折扣价在其框架内使用多个开放权重模型。
TACO提出了一种针对代码工具智能体的新型信用优化方法，该方法使用差分奖励探针和结果门控优势路由来区分有用、冗余或误导性的工具调用，从而提升多模态智能体的性能。
开发者dabit3同意一个预测：大多数开发者将在六个月内将他们的代码代理从笔记本电脑迁移出去，这反映了基于云的AI代理的快速进步。
本文研究了轻量级静态分析注释如何作为确定性锚定，提高基于LLM的代码智能体在导航软件仓库时的可预测性和可重复性，发现这种锚定改进了定位并减少了方差。
A tweet enthusiastically promotes Otty, a new native, GPU-accelerated terminal app from the Typora team, praising its beautiful design and developer-friendly features.
Stack Overflow 宣布推出 'Stack Overflow for Agents'，这是一个面向 API 的知识交换平台，专为 AI 编程代理设计，用于分享和验证实时解决方案，以解决代理在孤立环境中运行、浪费资源重复解决问题的'瞬时智能鸿沟'问题。
本文提出了一种用于在 Lean 4 中形式化数值分析教材的智能体流水线，并引入了一个超越内核接受的质量审计框架，用于评估语义正确性和库复用情况，揭示了常见的不忠实形式化模式。
CODA-BENCH 是一个新的基准测试，用于评估代码智能体在数据密集型任务上的表现，弥合了以代码为中心和以数据为中心的评估之间的差距。它包含来自31个社区的超过1000个任务，具有真实的数据规模和噪声，结果显示即使是最顶尖的智能体也仅能达到61.1%的成功率。
DeNovoSWE是一个大规模数据集，用于训练代码智能体从文档生成完整软件仓库，采用沙盒代理工作流和难度感知过滤。在此数据集上微调Qwen3-30B-A3B将BeyondSWE-Doc2Repo基准的性能从5.8%提升至47.2%。