AI Agent

The Impact of Configuring Agentic AI Coding Tools on Build-vs-Buy Decisions: A Study Protocol

配置智能体AI编码工具对构建vs购买决策的影响：一项研究协议

Jai Lal Lulla, Matthias Galster, Jie M. Zhang, Sebastian Baltes, Christoph Treude

机构 * Singapore Management University, Singapore（新加坡管理大学） ； University of Bamberg, Germany（巴姆堡大学） ； King’s College London, United Kingdom（伦敦国王学院） ； Heidelberg University, Germany（海德堡大学） 纠错

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

AI总结 本研究通过受控实验协议，探讨配置机制如何影响Claude Code和OpenAI Codex等智能体AI编码工具在构建vs购买决策中的行为，并发布可复用的基准数据集和分析流程。

Comments 14 pages, 1 table. Accepted at the 20th International Symposium on Empirical Software Engineering and Measurement (ESEM 2026), Registered Reports track

Human-AI Collaboration and the Transformation of Software Engineering Work

人机协作与软件工程工作的转型

Mamdouh Alenezi

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

AI总结 本文通过结构化综合分析方法，研究了生成式AI和智能体AI如何将软件工程从以人类编写代码为中心转变为以指导、验证和管理自主及半自主系统为中心，并提出了一个包含技术、认知、社会技术、治理和组织五个维度的未来工程师能力框架。

Toward Training Superintelligent Software Agents through Self-Play SWE-RL

通过自我对弈SWE-RL训练超级智能软件代理

Yuxiang Wei, Zhiqing Sun, Emily McMilin, Jonas Gehring, David Zhang, Gabriel Synnaeve, Daniel Fried, Lingming Zhang, Sida Wang

机构 * Meta FAIR ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Meta TBD Lab（Meta TBD 实验室） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 提出自我对弈SWE-RL（SSR）方法，通过强化学习在自对弈环境中训练单一LLM代理，使其在无需人工标注问题或测试的情况下，在真实代码库中迭代注入和修复软件缺陷，在SWE-bench基准上实现显著自我改进并超越人类数据基线。

Comments Accepted to ICML 2026

CodeHacker: Automated Test Case Generation for Detecting Vulnerabilities in Competitive Programming Solutions

CodeHacker: 用于检测竞赛编程解决方案漏洞的自动化测试用例生成

Jingwei Shi, Xinxiang Yin, Jing Huang, Jinman Zhao, Shengyu Tao

机构 * Shanghai University of Finance and Economics（上海金融学院） ； Northwestern Polytechnical University（西北工业大学） ； Meituan（美团） ； University of Toronto（多伦多大学） 纠错

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

AI总结 提出CodeHacker框架，通过多策略对抗测试用例生成（压力测试、反哈希攻击、逻辑特定攻击）和校准阶段，有效暴露程序漏洞，提升测试集真负率并增强RL训练模型性能。

Proof-Refactor: Refactoring Generated Formal Proofs into Modular Artifacts

Proof-Refactor: 将生成的形式化证明重构为模块化工件

Yiming Fu, Peixuan Liu, Zichen Wang, Kun yuan

机构 * Department of Mathematics, Southern University of Science and Technology（南方科技大学数学系） ； School of Mathematical Sciences, Peking University（北京大学数学科学学院） ； Center for Machine Learning Research, Peking University（北京大学机器学习研究中心） 纠错

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

AI总结 提出一个名为 Proof-Refactor 的智能体框架，通过四阶段流程（提取候选证明片段、设计辅助声明、形式化证明提取和设计的组件、使用验证组件修复原始证明）将大语言模型生成的形式化证明重构为更模块化、可读、可维护和可重用的工件，在 PutnamBench 和 Putnam2025 上的 Lean 证明重构中优于基线。

Comments 21 pages, 3 figures, 3 tables

Handoff Debt: The Rediscovery Cost When Coding Agents Take Over Interrupted Tasks

交接债务：当编码代理接管被中断任务时的重新发现成本

Dipesh KC, Anjila Budathoki

机构 * Independent Researcher（独立研究者） ； Georgia State University（佐治亚州立大学） 纠错

专题命中 软件智能体 ：agent(abstract)；分类 cs.AI

AI总结 本文通过引入“交接债务”概念，研究编码代理在任务中断后从部分状态恢复时的重新发现成本，并提出一种接管协议来量化不同交接视图对后继代理效率的影响。

ModuLoop : Low-Level Code Generation using Modular Synthesizer and Closed-Loop Debugger for Robotic Control

ModuLoop: 使用模块化合成器和闭环调试器进行机器人控制的低级代码生成

Gina Yoon, Sumin Lee, Joo Yong Sim

机构 * Department of Mechanical Systems Engineering, Sookmyung Women’s University（苏州市女子大学机械系统工程系） 纠错

专题命中 软件智能体 ：planning(abstract)

AI总结 提出闭环模块化代码合成框架，利用预训练大语言模型进行模块化代码规划与生成，并通过迭代执行和调试探针实现系统调试与优化，成功应用于RGB-D相机与机械臂标定及抓取任务。

Comments IEEE Robotics and Automation Letters (2025)

What You Approve Is What Executes: Consent Integrity for Black-Box LLM Agents

你批准即执行：黑盒LLM代理的同意完整性

Xiaoqi Weng

专题命中 软件智能体 ：agent(abstract)

AI总结 针对黑盒LLM代理的批准对话框存在摘要伪造漏洞，本文引入同意完整性概念，通过可信中介确保人类看到的动作与真实执行的动作一致，并分析了该机制的局限性与权衡。

Comments Preprint. IEEE conference format. Proof-of-concept; artifact at https://github.com/zjnbwxq/agentguard-ci