AI Agent

Supply-Chain Poisoning Attacks Against LLM Coding Agent Skill Ecosystems

针对LLM编码代理技能生态系统的供应链污染攻击

Yubin Qu, Yi Liu, Tongcheng Geng, Gelei Deng, Yuekang Li, Leo Yu Zhang, Ying Zhang, Lei Ma

机构 * Griffith University（格里菲斯大学） ； The State Information Center（国家信息中心） ； Nanyang Technological University（南洋理工大学） ； University of New South Wales（新南威尔士大学） ； Wake Forest University（维克森林大学） 纠错

专题命中 软件智能体 ：agent(title,abstract)；分类 cs.AI、cs.CL

AI总结 本文研究了LLM编码代理技能生态系统中供应链攻击对行动空间的影响，提出DDIPE方法通过嵌入恶意逻辑到技能文档中实现隐式payload执行，实验显示其在强防御下可绕过11.6%-33.5%。

Beyond Resolution Rates: Behavioral Drivers of Coding Agent Success and Failure

超越分辨率率：编码代理成功与失败的行为驱动因素

Tural Mehtiyev, Wesley Assunção

专题命中 软件智能体 ：agent(title,abstract)；分类 cs.SE

AI总结 本文通过大规模实证研究分析了9374条轨迹，探讨了编码代理在特定任务中失败的原因，发现行为模式和LLM能力对成功与失败有显著影响。

AI-Assisted Unit Test Writing and Test-Driven Code Refactoring: A Case Study

AI辅助的单元测试编写与测试驱动的代码重构：一个案例研究

Ema Smolic, Mario Brcic, Luka Hobor, Mihael Kovac

机构 * Faculty of Electrical Engineering and Computing, University of Zagreb（萨格勒布大学电气工程与计算学院） 纠错

专题命中 软件智能体 ：workflow(abstract)；分类 cs.AI、cs.SE

AI总结 本文研究了利用AI生成单元测试并进行安全重构的方法，通过案例展示如何通过迭代测试捕获系统行为，减少重构风险，提升代码维护效率。

Comments 6 pages, 3 figures, 2 tables

Local Reinforcement Learning with Action-Conditioned Root Mean Squared Q-Functions

局部强化学习与基于动作的均方Q函数

Frank Wu, Mengye Ren

机构 * Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） 纠错

专题命中 软件智能体 ：agentic(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出基于动作的均方Q函数，通过时间差分学习实现局部强化学习，优于现有无反向传播方法，在MinAtar和DeepMind控制套件中表现优异。

Comments 18 pages, 11 figures

Beyond Noisy-TVs: Noise-Robust Exploration Via Learning Progress Monitoring

超越噪声TVs：通过学习进度监控实现噪声鲁棒探索

Zhibo Hou, Zhiyu An, Wan Du

专题命中 软件智能体 ：agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出学习进度监控(LPM)方法，通过奖励模型改进而非预测误差或新颖性，提升探索效率，实验证明其在噪声环境中的优越性。

Comments Accepted for ICLR 2026

Journal ref International Conference on Learning Representations (ICLR) 2026

From Industry Claims to Empirical Reality: An Empirical Study of Code Review Agents in Pull Requests

从行业声明到实证现实：代码审查代理在拉取请求中的实证研究

Kowshik Chowdhury, Dipayan Banik, K M Ferdous, Shazibul Islam Shamim

专题命中 软件智能体 ：agentic(abstract)；分类 cs.SE

AI总结 本文通过分析代码审查代理（CRAs）在拉取请求中的表现，探讨其对合并成功率的影响，发现CRAs生成的反馈质量与PR废弃率密切相关，需人类监督以提高代码审查效果。

Comments Accepted at 23rd International Conference on Mining Software Repositories (MSR), 2026