Requirements After the First Edit 精读：需求晚到正在让 Agent 会话里的代码作废翻倍
论文：Requirements After the First Edit: Mining Late Requirement Emergence and Rework in Real-World Coding-Agent Sessions（arXiv:2609.03028，cs.SE，2026-09-02） 作者：Bowen Jiang, Anne Koziolek, Weixing Zhang（KIT）；Haowei Cheng, Jialong Li（早稻田）；Yuhong Fu（阿德莱德） 机构：Karlsruhe Institute of Technology + Waseda University + Adelaide University 数据：SWE-chat 数据集 3,553 个合格会话
一、题目
- 会议/期刊：arXiv 预印本，模板残留（Woodstock 占位符）暴露投稿中，实证规范（匹配对照、敏感性分析、预注册式实验设计）对标 ICSE/FSE 实证软件工程（EMSE/IST 风格）。
- 发表单位：KIT（Koziolek 组——需求工程与可靠性）主导，早稻田与阿德莱德参与——典型的 RE 社区视角切入 agentic 编码。
- 一句话概括：传统软件项目里"需求变更导致返工"是按项目周期和预算度量的；这篇论文证明在 Agent 会话里，同样的代价被压缩到分钟级——需求一晚到，此前写的代码行作废率直接翻倍。
二、背景
研究脉络
需求工程三十年前就确立了两组概念：“稳定需求 vs 易变需求”、“emergent requirements（随设计实现逐渐浮现的需求）"；实证研究反复证实需求易变与工期/成本超支相关——但证据粒度是项目级（周/月、财务数字）。
Agentic 编码改变了时间常数：用户像与人类同事协作一样，在多轮对话中逐渐陈述、修订、补充意图；Agent 每轮立即开始改代码。SWE-chat 数据集（提供行级人机代码归因）已发现大量 Agent 代码没能活到最终 commit；misalignment 语料系统编码了用户 pushback 事件——但没有任何工作把"某个需求到达的时刻"与"它导致的具体行级作废"连起来。SWE-bench 类基准更是按定义排除了需求变化（需求在测试前完全给定）。
填补的空白
第一个在真实会话内建立"需求到达→行级作废"因果链度量框架的工作。
三、定位
- 领域：实证软件工程 × 需求工程 × 编码 Agent。
- 问题层级：现象度量与刻画（关联性而非因果性——作者明示）。
- 四个研究问题：RQ1 刻画（需求如何晚到、如何分布）；RQ2 关联（需求到达是否比无需求编辑引发更多作废）；RQ3 区分（作废与变更操作类型的关系）；RQ4 时机（披露时机对返工的影响——受控实验）。
四、问题定义
观察单元：会话中的编辑事件。锚点=第一次文件写入编辑（实现开始）。
需求事件编码：实现开始后用户提出的需求，沿三个 RE 维度编码——与初始 brief 的关系（补充/约束/移除）、变更操作（add/constrain/remove）、触发源。
作废代理指标：在仓库状态可可靠回放的会话子集上，每个需求到达后，先前 Agent 生成代码中被删除/替换的行数（replay-derived invalidation proxy）。
核心假设：H——需求到达后的作废量显著高于匹配的非需求编辑点。
五、解法（度量框架+对照设计）
5.1 数据与重建
3,553 个合格 SWE-chat 会话；行级代码状态回放要求会话的仓库历史可确定性重建（子集分析）。
5.2 对照设计（本文方法学精华）
- 匹配伪事件对照：在无需求到达的编辑点配平比较——隔离"需求到达"变量；
- 用户轮次对照：进一步限制比较范围为"用户发言但未引入新需求"的轮次之后的编辑——排除"用户说话本身就触发大改"的混淆；
- 净删除敏感性：对删除/替换的不同计数口径做稳健性检验。
5.3 受控实验（RQ4）
操纵需求披露时机的双组实验：E1 检验延迟披露是否移动实现工作的时间分布；E2 在后续工作量配平的前提下检验"预先警告"是否减少既有代码的覆写。
5.4 标签可靠性
针对稀疏基率的聚合式可靠性度量（传统 per-item 一致性在稀有事件上失真）——这一方法学组件可迁移到其他事件级挖掘研究。
六、实验结果
6.1 RQ2 主结果：作废翻倍
新需求到达后，Agent 删除先前 Agent 代码的行数约为匹配非需求编辑的 2 倍；该方向在用户轮次对照与净删除敏感性下保持（乘数因统计口径在 2 附近浮动）。且作废负担随会话推进无下降趋势——不存在"越聊越对齐"的学习效应。
6.2 RQ3：操作类型不重要
控制需求多重性后，add/constrain/remove 的操作类型与作废量无显著关联——作废由"需求到达"本身驱动，而非某种特定变更类型。区间较宽，作者明示不排除中等效应。
6.3 RQ1：需求持续浮现
需求在整个会话中持续出现，绝大多数是补充性变更而非整体重写——“需求 emergence"是常态而非异常。
6.4 RQ4 受控实验：延迟披露是搬运而非放大
- E1：延迟披露把本应更早的实现工作搬到了披露之后（时间分布移动）；
- E2：配平后续工作量后，预先警告对既有代码覆写无检出效应——提前知道"会有需求要来"没有用，有用的是需求内容本身（该否定性结论以"未建立不存在性"的谨慎措辞给出）。
七、知识反推
- Agent 交互把 30 年的 RE 代价压缩进会话：需求 volatility 的代价曲线在"即时执行"的交互模式下没有消失，而是以行级作废的形式即时显影——需求工程理论在 agentic 场景不是过时了，而是变得更可测量了。
- “多轮交互=渐进需求"是 Agent 评测的盲区：SWE-bench 式单轮全给定基准系统性排除这一最高频的返工来源——多轮/需求演化基准的缺失让"Agent 抗返工能力"完全未被度量。
- 关联≠因果的自律：作者全程把结论限定为时间关联（temporal association），并用多层对照逼近因果——这种克制在 agentic 研究的过度声明氛围里值得效仿。
- 警告无用论的设计含义：E2 的否定性结果说明系统提示用户"请尽量一次说完需求"大概率无效；有效的方向是 Agent 主动引导需求内容（追问具体约束），而非等待或提醒。
八、通用灵感
- 对本课题（代码评审/自迭代系统）的启发：评审 Agent 的输入同样面临"评审标准晚到”（用户/团队规范在评审过程中才给出）。本文的编辑事件-作废代理指标设计可平移为"评审准则到达→已生成评审意见的作废率"度量，作为自迭代系统的退化监控信号。
- 对记忆系统的启发：既然作废无衰减，Agent 记忆应显式记录"每个计划的依赖需求版本”（与同日 PlanFence 的 lineage validity 思路呼应）——需求版本变更时主动标记受影响的产出。
- 实证方法迁移：匹配伪事件+用户轮次双重对照+净删除敏感性，是任何"事件→代价"挖掘研究的标准模板。
- 开放问题：因果方向的确认（需求到达是否总是作废的原因而非相关）；跨 Agent 框架的泛化；主动需求引导策略的增益量化。
基于论文全文逐页阅读撰写；数字出自原文摘要与 §1、§4–6。