代码大模型 / AI 编程

On the Impact of AGENTS.md Files on the Efficiency of AI Coding Agents

关于AGENTS.md文件对AI编码代理效率的影响

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

机构 * Singapore Management University（新加坡管理大学） ； Heidelberg University（海德堡大学） ； University of Bamberg（班贝格大学） ； King's College London（伦敦国王学院） 纠错

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

AI总结 研究AGENTS.md文件对AI编码代理在GitHub拉取请求上的运行效率和令牌消耗的影响，发现其能降低运行时间及令牌消耗，同时保持任务完成行为。

Comments 5 pages, 1 figure, 1 table

Autonomous Issue Resolver: Towards Zero-Touch Code Maintenance

自主问题解决者：迈向零接触代码维护

Aliaksei Kaliutau

机构 * Imperial College London（伦敦帝国理工学院） 纠错

专题命中 软件智能体 ：code generation(abstract)；program repair(abstract)；repository(abstract)；coding agent(abstract)

AI总结 本文提出基于数据转换图的新型方法，通过数据状态节点和函数边的拓扑结构，解决传统代码属性图的控制流逻辑缺陷，实现数据完整性导航与控制流逻辑的统一，提升代码修复效率。

Comments 21 pages, 4 figures

From Tool to Teammate: LLM Coding Agents as Collaborative Partners for Behavioral Labeling in Educational Dialogue Analysis

从工具到队友：LLM编码代理作为教育对话分析中行为标注的协作伙伴

Eason Chen, Isabel Wang, Nina Yuan, Sophia Judicke, Kayla Beigh, Xinyi Tang

专题命中 软件智能体 ：coding agent(title,abstract)

AI总结 本文提出利用LLM编码代理自动优化标注提示，提升教育对话行为分析的准确性，通过四折交叉验证证明其有效性，揭示了标注中的潜在模式。

Comments 10 pages, 6 figures, 4 tables. Submitted to EDM 2026

The Observability Gap: Why Output-Level Human Feedback Fails for LLM Coding Agents

可观性缺口：为何输出级人类反馈在LLM编码代理中失效

Yinghao Wang, Cheng Wang

专题命中 软件智能体 ：coding agent(title,abstract)

AI总结 研究发现，LLM编码代理在缺乏预定义功能的情况下，通过轻量级人类反馈构建可重用函数库时，输出反馈无法有效识别根因，导致持续失败模式。

Comments Accepted to CHI 2026 Workshop on Human-Agent Collaboration

Safer Builders, Risky Maintainers: A Comparative Study of Breaking Changes in Human vs Agentic PRs

更安全的构建者，危险的维护者：人类与代理PR中破坏性变更的比较研究

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

机构 * Kennesaw State University（肯尼索州立大学） 纠错

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

AI总结 本文比较了人类与代理PR中破坏性变更的频率和任务情境，发现代理在维护任务中风险更高，存在'信心陷阱'问题。

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

Sparse-RL: Breaking the Memory Wall in LLM Reinforcement Learning via Stable Sparse Rollouts

稀疏强化学习：通过稳定稀疏回放突破大语言模型强化学习的内存瓶颈

Sijia Luo, Xiaokang Zhang, Yuxuan Hu, Bohan Zhang, Ke Wang, Jinbo Su, Mengshu Sun, Lei Liang, Jing Zhang

机构 * School of Information, Renmin University of China（中国人民大学信息学院） ； Key Laboratory of Data Engineering and Knowledge Engineering（数据工程与知识工程重点实验室） ； Ant Group（蚂蚁集团） 纠错

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

AI总结 本文提出稀疏强化学习方法，通过稳定稀疏回放解决大语言模型强化学习中的内存瓶颈问题，采用稀疏采样和重要性重加权技术减少计算开销并提升模型鲁棒性。

AutoStan: Autonomous Bayesian Model Improvement via Predictive Feedback

AutoStan：通过预测反馈实现自主的贝叶斯模型改进

Oliver Dürr

机构 * Thurgau Institute for Digital Transformation (TIDIT)（图尔高数字转型研究所） 纠错

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

AI总结 AutoStan通过预测反馈机制，使CLI编码代理自主构建并迭代改进Stan中的贝叶斯模型，展示了无需搜索算法或领域指令即可处理多样化贝叶斯建模问题的能力。

What Is Your Agent's GPA? A Framework for Evaluating Agent Goal-Plan-Action Alignment

你的代理的GPA是多少？一个评估代理目标-计划-行动对齐的框架

Allison Sihan Jia, Daniel Huang, Nikhil Vytla, Seung Won Wilson Yoo, Nirvika Choudhury, Shayak Sen, John C. Mitchell, Anupam Datta

机构 * BASIS Independent Silicon Valley Upper School（BASIS独立硅谷高中） ； Department of Computer Science, Stanford University（斯坦福大学计算机科学系） 纠错

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

AI总结 本文提出Agent GPA框架，通过评估代理目标、计划和行动的对齐性，验证其在多代理、单代理和企业数据代理中的有效性，展示了高误差覆盖和调试定位能力。