本文精读蚂蚁国际的 Code2Skill：一种从开源代码库大规模合成「接地（grounded）、可验证、可迁移」技能库的全自动流水线。它把 GitHub 上经过人类调试打磨的仓库代码抽象为三粒度技能卡（原子/复合/模式），并用「源码盲重建 + 源码感知裁判 + 仲裁器」的往返验证过滤不可靠记录，最终产出含 1,006,822 条记录的 CodeSkillBank。在 72 组协议匹配评测中 57 组提升、宏平均 +11.7%，并在统一接口下全面超越轨迹派技能库。文章按九部分结构，从 Skill 概念的「岗位操作手册」类比讲起，逐层拆解其问题定义、四阶段解法、实验证据、优势根源与外部交叉验证，并提炼可推广的通用性灵感。
SWE-Proof 把 SWE 类基准的判定信号从「隐藏测试」升级为「机器检查的形式化证明」，提出 BENCHPROOFER 流水线（规范合成 + 环境公理化 + 13 道正确性门）与 SWE-PROOF 基准（500 例 SWE-Bench Verified 100% 过门 + 242 例 SWE-Bench Pro）。核心发现：隐藏测试只采样有限输入，会放过四分之一到一半的缺陷 patch；给定正确形式化规范可将解决率从 85.0%/81.2% 提升至 96.2%/94.4%，且对抗审计后仅损失 0.9 个百分点；但让模型自写规范对解决率零收益，瓶颈在于 faithfulness——规范只约束了部分行为面。本文按九部分结构拆解其背景、定位、问题定义、解法、评估、根源与外部交叉验证。
本文合并精读两篇同主题论文：CoVer（UT San Antonio）与 DENSE（复旦+美团）。二者共同回答 RL 与智能体自改进中「信号从哪来、可不可信」这一核心问题。CoVer 在单策略 GRPO 内协同训练 coder 与 verifier，用协方差门控的互信息奖励挤出退化测试、用三级去重降低估计方差，把「自生成测试的信息价值」变成可证明的训练信号；DENSE 在完全结果盲视（无奖励、无验证器、无标签）下，把一条执行轨迹蒸馏成证据接地的嵌套 shortcut 树，用 REFIT 协议隔离出反馈这一唯一信息通道。文章从背景、定位、问题定义、解法、评估、根源、知识反推到通用灵感和交叉验证表，系统梳理两条「信号质量」路线如何从不同方向逼近同一结论：高质量信号胜过信号特权。
MIT 与 Sakana AI 的 SIFT 把递归自改进（RSI）编码智能体的最大瓶颈从’生成候选’移到了’验证候选太贵’：用 pairwise LLM-as-a-judge（每次 $0.044）+ 正则化 Bradley-Terry 聚合替代 $6.0 的基准子集评估作为中间信号，在完全解耦的树搜索流水线中让扩展与评估并行。Polyglot-225 上以 DGM 约 1/10 的 CPU 小时拿到 31.1%（Qwen3-30B）/35.1%（o3-mini）全面超越 DGM/HGM/SICA，TerminalBench 2.1 从 29.2% 提到 36.7%。本精读覆盖’便宜排名+昂贵验证’分离范式的机制因果、judge 输入格式的消融证据、与 DGM 谱系的定位对比，以及’把验证成本当一等公民’的通用性灵感。
UMass Amherst、Emory 联合 Zoom 的实证研究，把编码智能体 harness 从’黑盒整体评估’拆解为组件级受控实验：固定执行循环，只变化规划、动作空间、上下文管理三组件，在 4 个模型 × SWE-Bench Verified + Terminal-Bench 2.1 上跑出 176 组匹配设置。四个条件性发现——上下文管理在预算收紧时价值陡增（主要靠防溢出）、‘规则删略+LLM 摘要’分阶段策略效率最优、规划对弱模型是准确率支架对强模型是成本节省器、bash 熟练模型用纯 shell 更省——为’harness 设计是条件科学而非玄学’奠定第一块实验基石。
KAIST × Microsoft Research Montréal 发布 ProgramDistill：现有 SWE 基准用 issue 文本规定行为，但真实 Web 开发中 Agent 需要从能运行的参考应用反推行为并实现到残缺应用里。mine-craft-patch 流水线把 26 个交互式应用因子化为特性，经 gold patch 回放验证产出 1,975 个可回放行为、4,063 个任务，全程零人工。9 个前沿编码 Agent 评测：GPT-6 Astra 全应用重建 49.2%、Opus 5 28.8%；恢复深度从 1 到 8，成功率从 100%→64% 崩落——难度首次可参数化调控。
本篇合并精读两篇互补的 Agent 可信性研究：剑桥×Google DeepMind 的 XConf 提出『置信度不该只看当前推理，还要检索自身历史经验』——Recall 相似任务的过往胜率、Reflect 命名复发失败模式后重述置信度，以 1/10 成本在 24 组对比中 23 组追平/超越 10-sample 自一致性，弃答最不确定 10% 换来 Agent 成功率最高 +8.7 分；德州理工的 Not All Agents Are Equal 则用 37,623 个溯源 PR 首次大规模量化『AI 编码 Agent 的代码落地后发生了什么』——Codex 的 revert 率只有人类一半、Devin 反而更高，质量差异是厂商特定的而非『AI 代码更差』的笼统印象。
SWE-bench Verified 榜首之争还是能力之争吗？对 254 个公开提交的逐实例审计给出否定答案：Top10 系统 500 题中 285 题全对、51 题全错，仅 164 题有区分力；29 对相邻排名精确 McNemar 检验 0 对可分；同模型换 scaffold 分差可达 29.8pp 而前十总差距仅 8.8pp。论文提出 n_eff 有效规模、对基线嵌套系数两个新构造，证明’解集嵌套’是分辨率丧失的机制，并给出五步审计协议与修复方案（报 n_eff、记录 model×scaffold、发布 tier、按不一致预算纳新题）——对一切正在构建内部评测选型基准的团队有直接方法论价值。
四篇互补的 coding agent 可靠性研究合读：Intel×北大的 ExecuCritic 给 RLVR 加’校准 critic 塑形’——ρK 秩相关门控让 critic 失准自动坍缩，SWE-bench Lite +3.7pp 且 sandbox 执行省 42%；York 的 AgentGuard 从 642 条异常轨迹自动学条件激活护栏，异常执行率 69.0%→26.7%（代价：过度拒绝 19.3%）；北航 RepoAtlas 用 select-project-refresh 演化多模态仓库视图，三 VLM 一致 +2.4pp 且 token -5.8%；Intuit 工程报告量化协议保持裁剪——常规裁剪成功率 66.6-77.3% vs 协议感知 92.2%/自适应护栏 96.0%，临界阈值随复杂度上移。合读视角：可靠 coding agent 的四层防线——训练时（奖励塑形）、执行时（护栏）、探索时（上下文视图）、压缩时（协议保持）。
鱼皮直播对谈 Archify 作者橙子（网名「也无风雨也雾晴」）：一个高中辍学打过零工、参军退伍、专升本第一名考入重庆邮电大学的开发者，两次在大厂背调环节因学历被拒后，靠开源项目 Archify——AI 生成可验证架构图的 Agent Skill——登顶 GitHub Trending，目前 6.5 万 Star。对谈展开的不仅是逆袭故事，还有 AI 编程时代的真实体感：注意力被稀释、Skill 内化进模型、极简 Harness 的 token 经济学，以及开源作为普通人「第二简历」的机制。