Coding Agent
AI 程式碼生成、SWE-bench、自主修 bug、code review、IDE 整合
Microsoft 開源完整的 agent 模型訓練框架，讓小模型靠資料蒸餾 + 特製 RL 在 SWE / GUI / 助理任務上達到同量級開源 SOTA，不需要依賴 GPT-4o API。
arxiv: 2605.15040把「怎麼設計 AI Agent 執行環境」系統化：8 個屬性 × 8 個應用領域分類框架，加上 symbolic vs. neural 兩種自動合成範式，是 agent environment 設計的入門地圖。
arxiv: 2606.12191立場鮮明的 position paper：coding agent 已能替代人工 code review 的所有傳統目標，強迫人類 review AI 程式碼是走錯了方向。
arxiv: 2606.13175把 Agent 的執行框架（Harness）做成可組合積木，再讓 AI 自動跑實驗找出最好的組合——不改模型、只調框架，Qwen 9B 在 GAIA 從 33% 跳到 55.77%，GPT-5 從 62% 跳到 84%。
arxiv: 2606.14249在新建的 GitHub 專案裡，AI coding agent 的採用率是一年前同類研究的兩倍以上，而且每個採用者用得更深，AI 輔助的 commit 比例更高。
arxiv: 2606.07448Sakana AI 訓練了一個「學會指揮其他模型」的 0.6B 小型協調器，把 Claude/GPT 等現有 frontier 模型的能力組合出超越任何單模型的表現，在 SWE-Bench Pro 達到 73.7%（公開最強）。
arxiv: 2606.21228Meta FAIR 把「建資料集」這件事做成 agent：agent 自己設計資料配方、評估品質、修改配方，並透過 meta-optimization 讓這個 data scientist agent 越來越會產高品質資料。
arxiv: 2606.25996在銀行等受法規限制的環境，不是每個 agent 動作都要人類審批；GAIE 提供一個決策框架，依風險分三層監督，讓企業在合規前提下保留約 91% 的 coding agent 效率。
arxiv: 2606.22484把業界最常引用的 3 個 coding agent benchmark（GSO、SWE-Perf、SWE-fficiency）官方標準答案跨 4 種機器重跑，發現大多不穩定：SWE-Perf 僅 8% 任務可靠，代表排行榜分數可能大幅誇大 coding agent 的真實進步。
arxiv: 2607.01211SEA：讓 Agent 在邊跑邊自我改良的同時，每次改良都需通過「可驗證安全門（anytime-valid gate）」並發出可稽核憑證，確保每次自我更新都有明確的錯誤預算上限，不會默默變差。
arxiv: 2607.00871讓 multi-agent 軟體開發框架學會「自我懷疑」：用 token 的信心分數決定哪個 agent 的輸出需要驗證再轉交，防止早期錯誤在 pipeline 中滾雪球。
arxiv: 2607.02186Coding agent 在大型 repo 找參考程式碼時，傳統方法靠「長得像」或「名字像」——ProjAgent 新增「解題步驟像」這個維度，在 REPOCOD 測試集上達到 41.14% Pass@1，超越所有 retrieval 型 baseline。
arxiv: 2607.08691現有 RL 訓練算法（PPO / GRPO）對 agent 來說很浪費：每次都從頭跑 N 條路徑比較。BPO 只在「真正需要比較」的高熵決策點快照並分叉，用兄弟軌跡（sibling trajectory）的 return 差異計算 advantage，讓訓練更有效率。
arxiv: 2607.14171你在看的工具呼叫排行榜（BFCL、MCP-Atlas 等）有 18.5% 的題目被判錯了；LiveMCPBench 同一組設定重跑 23 次，分數差距達 18.9 個百分點。
arxiv: 2607.02577跑完全部任務才能比較兩個 agent？AppWorld 跑 15%、tau-bench 跑 25% 就夠了；SWE-bench 例外——幾乎要跑到 90% 以上才能信任結論。
arxiv: 2607.12338coding agent 現有 benchmark 只問「程式對不對」，PERFOPT-Bench 問的是「程式快不快」；結果發現 framework 的選擇比模型本身更能決定優化效果。
arxiv: 2607.07744你花時間寫的 [AGENTS.md](http://AGENTS.md) / [CLAUDE.md](http://CLAUDE.md) 到底有沒有用？288 次對照實驗的答案：對 coding agent 的正確率幾乎沒有可量測的差異（等效上限 ≤10–15pp），出錯的根本是實作技能不足，不是缺少 repo 知識。
arxiv: 2607.27250Coding Agent 開的 PR，79.4% 都有另一個 PR 同時進行中——幾乎都是同一個 Agent 自己和自己衝，不是不同 Agent 互打。
arxiv: 2607.04697Google 官方的 ChromeDevTools/chrome-devtools-mcp（5 萬星）讓 coding agent 直接操控真實 Chrome 做效能分析與除錯；abhigyanpatwari/GitNexus 用純瀏覽器端知識圖譜取代「讀程式碼靠猜」；mksglu/context-mode 專攻 coding agent 的 context window 浪費問題；google/skills 是 Google 自家的官方 Agent Skills 套件庫；livekit/agents 語音 agent 框架持續活躍。框架端 pydantic-ai v2.36.0 加入 `@durable_operation`，讓第三方 durable execution 引擎可插拔進來。
今天三篇論文從三個角度精準刺中 AI coding agent 的能力邊界：**ICAE-Bench** 挑戰「模糊需求下的互動式開發」場景，揭示當前 benchmark 跟不上 vibe-coding 時代；**EvoAgentBench** 揭露 agent 自我進化能力轉移的陷阱，主流方法竟造成 −12.3 分的負遷移；**PERFOPT-Bench** 則開闢「效能優化作為 agentic task」新賽道，並發現 framework 選擇往往比模型選擇更關鍵。三篇合讀的重點：生產環境的 agent 評估遠比現有工具複雜，業界亟需更貼近真實場景的評估體系。
今天三篇的共同主題是：**我們測 agent 的方式，本身就有問題**。第一篇直接審計主流工具呼叫 benchmark，發現近兩成的分數是評錯的；第二篇用重播分析告訴你哪些 benchmark 不用跑完就能得出可靠結論（SWE-bench 是反例）；第三篇推出首個將「執行任務」與「生成操作教學」合二為一的多模態 web agent benchmark，截圖輸入、雙目標評測，最強模型也只完成不到四成。三篇合讀能讓你對 agent 評測的現況有完整的危機感與應對方向。
今天三篇論文從三個實戰角度切入 AI Agent 平台：第一篇揭露多 Agent 系統在生產環境中面臨的隱蔽安全威脅，並提出以「激活空間」偵測惡意 agent 的新框架（非同步環境下 F1 比現有方法高出 +0.55）；第二篇改善 coding agent 的 retrieval 策略，引入「程序相似性」讓 AI 能找到解題步驟相近但表面不同的程式碼；第三篇則是重磅提醒——同一個 LLM 放進不同 harness，agent 的中途判斷就會出現顯著偏差，harness 設計根本不是中性的工具。
今天三篇論文從不同角度同攻一個核心問題：**如何讓 Agent 工作流程在生產環境中真正可靠**。Mnemosyne 把資料庫的「交易（Transaction）」概念搬進 Agent 工作流程，讓 LLM 每個輸出都要先通過准入審核才能生效；PaperPilot 展示如何訓練 9B 小模型學會以 DAG（有向無環圖）規劃多輪搜尋工作流程，並根據用戶回饋動態修正整個流程；SEA 讓 Agent 邊跑邊改善自己，同時發出可被稽核的安全憑證。三篇合在一起幾乎覆蓋了 Agent 系統可靠性的完整棧：執行層保護、訓練層工作流程學習、更新層安全演化。
今天三篇論文共同聚焦在一個核心問題：**我們到底怎麼評估 agent 夠不夠好？** SWE-Explore 把 coding agent 最被忽視的中間步驟——讀懂程式庫——單獨拿出來測；Claw-SWE-Bench 揭示框架設計（harness adapter）才是讓 coding agent 分數暴漲的真正槓桿，同一模型換個 adapter 就能從 19% 跳到 73%；Red Queen Gödel Machine（Cambridge × NVIDIA）則走得更遠，讓評測者本身也跟著 agent 一起進化，打破靜態 benchmark 的天花板。三篇合看：**evaluation in
今天三篇從不同角度剖析「Agent 走向生產級基礎設施」的挑戰：Agent libOS 回答「agent 的 runtime 底層該長什麼樣子」；Autodata（Meta FAIR）示範「agent 如何自己製造並持續優化訓練資料」；GAIE 則提出「企業在法規約束下如何分級監督 coding agent」。三者合看，描繪出 agent 平台從架構、資料到治理都需要重新設計的完整藍圖。
今天三篇論文從三個角度補齊 agent 平台知識：AgentFugue 展示多個 peer agent 共享「推理暫存筆記」可突破長任務協作瓶頸；Can Agent Benchmarks Support Their Scores? 揭露當前 agent benchmark 的評分機制存在系統性漏洞，排行榜數字需重新審視；VibeServe 則讓 agent 自動生成整套 LLM serving stack，在特殊部署場景下超越手工優化的 vLLM。三篇合起來分別回答了「agent 怎麼協作更強」、「我們信任的評測數字是否可靠」以及「agent 能幫工程師做基礎設施嗎」。