这篇 ESEM 2026 论文回答一个基准测试长期回避的问题：对编码智能体而言，一个 issue 修复任务到底难在哪里、难度可否预知？作者在 CoderForge-Preview 的 45,769 个任务、1,553 个仓库上，用补丁、仓库、提示词三组共 54 个确定性静态特征预测智能体成功率，AUC 达 0.863、可解释 41% 的通过率方差。消融发现补丁碎片化与仓库规模几乎承载全部难度信号，而提示词的语言特征只有在中等难度区间才浮现（进入 top-5 贡献者占 70.3%），呈现清晰的分层结构。本精读覆盖其动机、特征体系、实验设计、根源解释与可迁移灵感。

围绕 DeepSeek Harness 发布后两天破十万 Star 的现象，三位从业者从「一切皆插件」的架构设计、模型与 Harness 的深度协同、极简模式与缓存命中率的技术原理，聊到程序员岗位转型、开源生态与国产算力差距。核心判断：Harness 是 AI 时代的脚手架，插件化+开源让社区共建成本降到极低，模型与脚手架会互相塑造，而程序员的护城河正从写代码转向定义需求与验收结果。

今日主线有三：其一，环境侧革命成为Agent训练新焦点——EnvHarness以可插拔组件包装静态环境、SPADE让单模型自设计可执行环境自我对弈，训练环境从人工制品走向可编程资产；其二，技能资产化进入深水区——SkillGate解决技能选择的信用分配饥饿、Cross-Task研究揭示子任务级文本技能才能可靠迁移、常驻成本50-280 token/技能引发架构反思；其三，产业面英伟达60亿美元获Poolside模型工厂授权打造开源旗舰、阿里配售800亿港元全投AI基建、智能体token消耗达人类5倍开源模型占比62%创纪录。学界方面北大PRAXIS隐性知识注入、复旦SWE-bench Science暴露96.64%→47.90%公开-私有鸿沟、斯坦福CMU从录屏归纳任务模型，均属重磅。

当代码库被改写成语义等价的形式——控制流重写、死代码注入、标识符重命名——修 bug 的代码 Agent 还靠得住吗？Colorado State、Microsoft、UIUC 与 CMU 四方合作，用一套随机变体采样器对 2 个 Agent 框架 × 4 个前沿模型 × 54 个 SWE-bench 实例做了首个仓库级 Agent 鲁棒性系统评估：多数配置出现小幅退化（最大平均 6.7 个百分点，16 个配置中 6 个统计显著），但更扎心的发现是「锯齿前沿」——没有任何模型鲁棒性排名能跨框架、跨基准保持稳定，Qwen 在一个框架下最鲁棒、换一个框架反而最脆弱；更简单的框架反而更皮实；即使 solve 率不掉，token 成本最多也要多花 22.9%。本精读覆盖其 14 种语义保持变换的设计、非反馈采样的下界逻辑、配对实验统计方法，以及锯齿现象背后的机制因果链。

康奈尔与斯坦福的两位研究者提出 Adversarial Review（AR）：主编码 Agent 冻结工件后，reviewer 评审、critic 以结构化分歧审计这份评审，收敛后才允许修改代码。AR 在 LiveCodeBench 上以三个 Agent 取得 87% 最高通过率，胜过五 Agent 的 MARS；在 SWE-PRBench 上先暴露「伪共识」失败模式——Agent 为一致而一致，再用一次 prompt 迭代把分歧显式化即取得最高 F1 0.533；在 SWE-bench Verified 上以纯文本 SKILL.md 协议达到 75.2%。本精读拆解其构造式方法、三基准证据链，以及「分歧必须最小、结构化、有证据」的设计哲学。

北大团队用557个真实Agent编码会话的94,813个事件与33,097个Agent PR的69万条文件变更，首次系统测量了编码Agent与技术文档的真实交互。四大发现颠覆行业直觉：60.5%的文档交互指向AGENTS.md等Agent自有工件而非经典技术文档；读文档→写代码的关联在数据上未获解析；零次显式文档验证；文档产出速率达咨询的0.87倍却始终滞后于代码。论文据此提出双瓣循环模型，并指出「可操作性」「可验证性」两大agent-friendly文档假设缺乏行为支撑。

LLM Agent 走向跨会话长程任务后，记忆系统能否跟上不断被修订的世界状态？UIUC Jiawei Han 组把「状态追踪」从「事实回忆」中剥离：答案必须反映当前状态而非被取代的旧状态。论文先证明「状态漂移」在检索完美时仍是最大失败源，再发布 StateMemBench——234 个多会话场景、闭集三分评分，把漂移答案显式放入干扰池；随后提出显式追踪取代与依赖的 StateMem，在 DeepSeek-V4-Flash 上把准确率从 0.205 提到 0.363（1.8 倍），并以单次调用 Wrapper 给六个记忆后端带来 +32 到 +67 点提升。精读覆盖定义、构造、机制与根源解释。

USC 单作者论文用「执行回放」为 LLM Agent 的步级信用信号建立因果真值：在每个决策点重采样策略自身支持的动作并前滚，度量结局分布的实际改变。审计结论是全面否定——LLM judge 分数、结果条件化 logprob 比、策略自身置信度识别因果关键步骤均不优于随机；implicit 信用实为策略流畅度的回声（秩相关 +0.75），结果条件化不增加任何因果信息（偏相关 -0.004）；七臂预注册训练实验中无一臂可靠超过未训练策略，表面差异全由训练剂量解释。本文精读其仪器设计、否定性证据链、剂量匹配协议与完整性分类学，并讨论它对整个步级信用分配赛道的冲击。

工具使用是 LLM Agent 的核心能力，但此前几乎全靠后训练习得。MidTool（华盛顿大学 + Snowflake + UNC，工作完成于 Snowflake 实习）提出首个面向通用工具使用的开放中期训练语料管线：从网页、PDF、代码、真实 API 与 MCP 技能四类源出发，经「上下文接地增广」与「原生 Agent 轨迹合成」两条分支构建 20.3B token 的 MidTool-Mix，中期训练 Qwen3-4B/8B-Base 后再统一 SFT+RL。在 BFCL、τ²-Bench、MCP Universe 三基准上，两种后训练配方下均一致超过 SFT-only 基线，RL 通常进一步放大增益，MCP-Universe 上 4B/8B 全面超过 Qwen3 官方同尺寸模型。本精读覆盖背景、定位、问题抽象、管线解法、实验证据、机制因果链、必要知识反推与可迁移灵感。

北交大团队提出 MileGPO，针对长程 LLM Agent 训练中最棘手的过程级信用分配问题：GraphGPO 等图方法按最短路径距离赋信用，只能刻画「可达性」而非「可靠进展」。MileGPO 从同一 rollout 图中挖出三类被忽视的信号——成功轨迹的候选里程碑、失败轨迹的反复陷阱、同状态兄弟分支对比——经可靠性加权塑形 RCS 与进度对比校准 PCC 两级校准后注入优势估计。ALFWorld 整体成功率 94.60，超 GraphGPO 3.13 点、超 GiGPO 4.43 点；ID–OOD 差距仅 1.69 点；WebShop 同状态平局率达 72.7%，图上 83.0% 的平局可被 RCS 纠正。全程零辅助模型、零额外环境交互，本精读重点拆解「共享状态覆盖率相同、歧义结构决定增益」的机制因果链。