代码智能体

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。

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。

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。

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。

Uncle Bob正在尝试把软件开发交给AI智能体，把人类角色转向质量约束与架构把关。实践显示，自动化测试能显著降低审查负担，却还不能替代人类对系统结构和业务上下文的判断。

LEGO-RL试图解决编码智能体强化学习中的一个关键难题：如何在不改动原有Harness控制流的前提下，让真实工具调用、上下文压缩和执行反馈可靠地进入策略优化流程。该框架在三个编码智能体Harness上训练Qwen3.5-35B-A3B，并提升了SWE-bench Verified成绩。

Oracle为OpenJDK贡献设下新红线：AI生成的代码不能进入仓库、PR或项目沟通渠道。该政策与Oracle高层近期强调“AI正在写代码”的表态形成鲜明对照。

Prime Intellect 发布开源编程 Agent Harness Prime Agent，围绕 Recursive Language Model 与 Continual Harness 两个抽象构建。其与 Opus 5 组合在 ARC-AGI 3 上取得 95.5% RHAE Best@1，略高于报告中的人类专家基线。

一篇新论文把大模型代码编辑中的“删除回避”单独拎出来衡量：模型常常能找到该改的文件，却不愿或不能精准删掉应移除的代码。

Uber 的经验显示，AI 编程工具从“提效实验”进入规模化使用后，真正的挑战不再只是采用率，而是成本、质量与基础设施可持续性的平衡。

FrontisAI 提出 OpenMLE 全栈系统，并在其上训练 35B 参数的 Frontis-MA1，让模型围绕代码生成、改进、调试与交叉组合进行长期搜索。论文把“AI 改进 AI”的递归自我改进问题，落到可执行、可验证的机器学习工程任务中。

这篇论文讨论了一个更难的代码智能目标：不仅让模型生成能通过测试的程序，还要让它学会生成运行更快的程序。研究指出，执行时间作为奖励信号看似直接，实际却会被噪声、稀疏奖励和训练不稳定性放大。

Kimi Code 文档显示，Kimi K3 新增 256k 上下文版本 k3-256k，面向日常问答、代码补全和常规开发任务。相比 1M 上下文的 k3，它在 256k 范围内保持同等效果，并显著降低配额消耗。

一项基于 207 个 GitHub 项目、102 万个已评审 Pull Request 的研究显示，AI Agent 参与代码评审后，决策速度明显提升，但质量收益并不稳定。

亚马逊云科技发布适用于 AWS 的 Claude 应用网关，为 Claude Code 与 Claude Desktop 提供自托管控制平面。它把身份、策略、路由、遥测和成本限额集中到服务端，回应企业大规模使用 AI 编程工具时的治理难题。

OpenAI 的首款自有品牌硬件并不是手机或 AI 伴侣设备，而是一款面向 Codex 用户的可编程迷你键盘。它与 Work Louder 合作设计，定价 230 美元，核心用途是让开发者更便捷地控制 AI 编程 agent。

围绕AI代码工具是否应进入Linux内核开发，Linus Torvalds给出了强硬回应：Linux不会成为反AI项目。争议焦点不只是代码生成，而是开源社区如何在效率、质量与维护者负担之间重新划线。

一项针对 2361 个热门 GitHub 仓库的研究显示，智能体编程工具已经开始进入开源协作流程，但真正高强度使用仍集中在少数项目中。