代码智能体

一项覆盖 700 多家软件公司的工程数据研究显示，AI 可能显著增加代码产量，却没有带来相应的软件交付增长。真正的瓶颈，或许已经从“写代码”转向了代码审查与合并。

ProgramGym 提出了一套面向长周期程序复现的训练框架，通过自动构建可验证环境和分工式智能体流程，提升 coding agent 从零开发软件的能力。

一项覆盖数百家软件公司的研究显示，AI 编程代理显著提高了代码产出，但新增代码几乎被更漫长、更繁重的人工审查抵消。

HERMES 提出 Dev-Primitives，将代码、测试和配置等仓库组件与驻留式语言模型绑定，使它们能够理解自身实现、彼此通信并参与修改。实验显示，合理设计智能体运行框架，可能比单纯扩大模型规模更有效率。

现有代码智能体评测多聚焦单一代码库，但真实软件生态中的功能开发与缺陷修复往往需要多个仓库同步修改。WideSWE通过120项真实任务，检验智能体在跨仓库协作中的完整执行能力。

阿里巴巴开源了 Go 语言开发的 AI 代码评审 CLI 工具 OpenCodeReview。它用确定性逻辑处理文件选择、规则匹配和意见定位，再让 AI 负责动态代码分析，以降低成本并提升评审结果的可验证性。

一项新研究提出类别感知的专家训练与策略整合框架，试图解决软件工程强化学习中不同任务类别进步不均、彼此“拉锯”的问题。方法通过 RRE 迭代训练类别专家，再用标签路由的多教师在线策略蒸馏，将能力合并到单一模型中。

小米 MiMo 团队提出 CodeMidas，仅依赖现有代码库，就能自动发现已实现功能、生成可执行测试，并筛选出适合强化学习的编码任务。实验显示，这种数据构建方式可提升智能体在修复、编程和终端操作等任务上的表现。

一项针对编码智能体 Harness 的实证研究表明，上下文管理、规划方式和工具接口的价值，会随模型能力与上下文预算发生变化。与其追求“一套通用配置”，不如按模型和任务特征进行组合设计。

Bend 试图把 AI 编程从“生成后测试”推进到“生成时证明”。这门新语言结合类似 Python 的语法、接近 C 的单核性能、CPU/GPU 并行执行，以及面向规则验证的类型系统。

一项针对编程代理的私有基准研究发现，在相同模型下，厂商原生 harness 并未稳定胜过通用方案。结果还显示，任务类型、超时处理和成本核算，可能比“原生搭配”更能影响结论。

月之暗面将K2.8 Preview全面接入Kimi Code与Kimi Work，官方称其综合性能接近K3，并进一步强化编程和Agent能力。更值得关注的是，1M上下文不再局限于高阶会员。

Cognition 推出新一代编程模型 SWE-2，重点不只是提高解题率，还试图在一次强化学习训练中同时优化不同推理强度下的成本与性能。模型在多项代码代理基准上接近更大型竞争对手，但部分终端任务表现仍存在明显差距。

AI编程助手公司Cognition完成20亿美元融资，估值升至480亿美元。其融资估值倍数高于Cursor被SpaceX收购前的水平，显示投资者仍相信这一市场能容纳多家巨头。

一项针对代码修复模型的研究发现，能够通过测试并不代表修改质量高。模型常会在修复缺陷时重写无关代码，而保留性指令和强化学习有望改善这一问题。

一项覆盖近1.7万次运行的实验显示，编码代理对第三方服务的选择并不一致，代码库语言、上下文和信息呈现方式都会显著改变结果。

一项研究展示了面向竞赛编程的完整后训练流程：从题目筛选、合成推理轨迹，到监督微调、强化学习和测试时迭代。其系统在 IOI 2026 评测中取得 535.4 分，超过最高人类选手成绩。

PaperCompiler 针对论文到代码过程中常见的算法简化、隐含假设丢失和跨文件不一致问题，引入了面向整个代码仓库的规范编译流程。该方法通过记录证据来源、约束文件职责与依赖关系，提升生成实现对原论文的忠实度。

Harness-of-Harness（HoH）不是一个新的代码模型，而是一套运行在既有编程智能体之上的迭代框架。它通过规划、编码、测试和独立评估的循环，让智能体从一次性交付转向持续开发。

围绕一个配置文件格式的争议，正在演变成大型研发组织的工具治理问题。Shopify CEO公开考虑禁用Claude Code后，Anthropic给出的回应并未平息开发者不满。

面对超大规模代码变更，LinkedIn 没有简单套用现成 AI 审查工具，而是搭建了一个由多个审查智能体、规则系统和事件驱动架构组成的平台。其重点不只是生成评论，更是控制幻觉、提升信噪比并衡量建议是否真正被采纳。