代码大模型 / AI 编程

AI Harness Engineering: A Runtime Substrate for Foundation-Model Software Agents

AIHarness工程：一种用于基础模型软件代理的运行时基质

Hailin Zhong, Shengxin Zhu

机构 * Hong Kong Baptist University（香港 Baptist大学） ； Beijin Normal University（北京师范大学） 纠错

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

AI总结 本文提出AIHarness工程，通过运行时基质提升软件代理的工程能力，定义了十一项核心职责，并提出四层 ladder 框架和基于追踪的评估协议，以验证模型-基质-环境系统生成可验证、可归因和可维护的变更。

Comments 16 pages

AgenticFlict: A Large-Scale Dataset of Merge Conflicts in AI Coding Agent Pull Requests on GitHub

AgenticFlict：一个大规模的人工智能编码代理拉取请求中合并冲突数据集

Daniel Ogenrwot, John Businge

机构 * University of Nevada Las Vegas（内华达大学拉斯维加斯分校） 纠错

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

AI总结 本文提出AgenticFlict数据集，用于研究AI编码代理生成的合并冲突问题，揭示了AI生成代码中合并冲突的频率和影响，强调了对AI辅助软件开发中集成挑战的理解需求。

Comments Accepted at the 3rd ACM International Conference on AI-Powered Software (AIware 2026)

SimWorld Studio: Automatic Environment Generation with Evolving Coding Agent for Embodied Agent Learning

SimWorld Studio：基于进化编码代理的自动环境生成用于具身学习

Haoqiang Kang, Xiaokang Ye, Yuhan Liu, Siddhant Hitesh Mantri, Lingjun Mao, James Fleming, Drishti Regmi, Lianhui Qin

机构 * UC San Diego（加州大学圣迭戈分校） ； New York University（纽约大学） 纠错

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

AI总结 本文提出SimWorld Studio平台，通过进化编码代理生成动态3D环境，提升具身学习性能。环境生成与学习相互促进，使代理在未见基准上表现更优。

Collaborator or Assistant? How AI Coding Agents Partition Work Across Pull Request Lifecycles

合作者还是助手？AI编码代理如何在拉取请求生命周期中分配工作

Young Jo, Chung, Safwat Hassan

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

AI总结 本文研究AI编码代理在拉取请求生命周期中如何分配工作，通过分析工具的协作-助手光谱，探讨操作权与合并治理的分离，提出分类学、状态机和可重复实验包。

Comments 10 pages, 8 figures, AIWare 2026 conference

SWE-Cycle: Benchmarking Code Agents across the Complete Issue Resolution Cycle

SWE-Cycle：在完整问题解决周期中对齐代码代理的基准测试

Hao Guan, Lingyue Fu, Shao Zhang, Yaoming Zhu, Kangning Zhang, Lin Qiu, Xunliang Cai, Xuezhi Cao, Weiwen Liu, Weinan Zhang, Yong Yu

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

AI总结 本文提出SWE-Cycle基准测试，评估代码代理在环境重建、代码实现和测试生成等任务中的能力，揭示了在端到端任务中处理跨阶段依赖和保持代码质量的关键瓶颈。

Combining Mechanical and Agentic Specification Inference for Move

结合机械和代理规范推断的Move

Wolfgang Grieskamp, Teng Zhang, Vineeth Kashyap

机构 * Aptos Labs（Aptos实验室） 纠错

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

AI总结 本文提出结合机械分析与代理编码的Move规范推断工具，通过WP分析和AI辅助生成高阶规范，减少手动编写规范的繁琐工作。

Edit-level Majority Voting Mitigates Over-Correction in LLM-based Grammatical Error Correction

基于编辑层面多数投票的过纠正缓解方法：用于基于大语言模型的语法错误修正

Takumi Goto, Yusuke Sakai, Taro Watanabe

机构 * Nara Institute of Science and Technology（奈良科学技术研究所） 纠错

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

AI总结 本文提出一种无需训练的推理方法，通过多候选生成模型进行编辑层面多数投票，缓解LLM在语法纠错中的过纠正问题，在多个语言基准测试中优于贪婪和MBR解码。

Comments BEA Workshop 2026