深度精读普渡大学 arXiv 2026 论文 ARTIC：自然语言工作流虽然给智能体提供了软件式接口，但数据依赖隐式、长分支指令难跟随，执行不可靠。ARTIC 把 NL 工作流编译为每步声明读写工件、约束门控产出、显式控制转移的形态，用约束优化精化高风险步骤，再以局部义务分解加场景干跑验证忠实性。在 11 个真实领域 488 个问题上，任务解决率较原始文本工作流提升 28 个百分点，跨模型执行一致性提升 32 个百分点，重复执行一致性提升 56 个百分点。
NFV（Microsoft Research，单作者 Shuvendu K. Lahiri）让 AI Agent 当形式验证语言的前端：Python 开发者用自然语言问’这个函数对不对’，Agent 把程序与规范翻译到 Dafny，由成熟验证器逐条机器检查，证明可查、缺陷有 witness。在 206 条数据集上 57.3% 的条目给出机器检查证明 @92.2% 精度——而 LLM-as-judge 直接判定的精度只有 72% 且无 artifact；无纪律的’LLM+验证器自由证明’更是 98% 的正确程序和错误程序都被’证明’（精度 50%）。关键机制是’无证明即弃权’与 staged discipline（溯源标签+冻结翻译堵死为证明而改代码的捷径）。
Prime Agent（Prime Intellect × Princeton × MIT）用一个持久 IPython REPL + 递归子 Agent 的抽象，证明同一模型仅更换 harness 即可把 ARC-AGI-3 成绩从 30.2% 推到 95.5%、超过人类专家基线 95.4%。本精读拆解其两层核心抽象——Recursive Language Model（把上下文当变量、子 Agent 委派当函数调用）与 Continual Harness（把 harness 自身状态变成可 CRUD、可在线自我改进的数据），并解释为什么’harness 表达力’是被严重低估的能力放大器。
Repo2Skill-Evo（字节跳动 × 北京大学 × 北京交通大学）提出并评测了一个此前无人命名的问题：‘仓库技能静默失效’——仓库版本升级后，从旧版蒸馏的 Agent 技能不报任何错、继续被加载检索，但内容已全面过时。基准要求 Agent 依据官方 release patch 维护技能集（删掉过时内容），用人工逐行验证的 12,217 行’黄金过时行集’做删除式指标：6 个前沿模型全部不及格，最强的 Claude-opus-4.6 也只有 69.7% F1，85/105 个版本转换低于 0.65 的 Easy 阈值。
Signal or Noise（百度 NLP）用字节长度匹配对照（±5% 的无关 Skill 控制组）证明：向编码 Agent 注入匹配的 WebDev Skill 平均是负收益——4 个模型 ΔPass@2 全负（-1.3~-4.2pp），token 开销却 +72%~394%。更深一层，负效应有两种机制：Sonnet/Qwen 是’长度分心’（该缩短 prompt），GPT-5.1/DeepSeek 是’内容误导’（该审查内容），需要相反对策；且 Skill 效用的跨模型相关性近零（|r|≤0.12）——Skill 是 (Skill,项目,模型) 三元组属性，不是可移植资产。
SkillAlchemy（北航 × 山东大学 × 西北工业大学）把开放世界技能创建形式化为’来源接地的程序准入’问题：用配对对比探针发现隐式需求（改这个因子会不会改变程序行为？），对候选程序做 General/Scoped/Exclude 三态准入，再按公共技能语法编译技能包。结果：自动创建的技能在 SkillsBench v1.1 全量 87 任务上拿到 55.8%，首次与人工策划技能（54.4%）持平，且对来源注入攻击零传播——12 个恶意 payload 无一被提升进技能。
SWE Refactor Bench（Naver’s Lab × Einsia.AI × 清华）命名并防御了行为评测的 Blindness 盲区：迁移任务的起点测试本来就全绿，‘原样交回’的空 diff 可以骗过任何行为测试。该基准用 20 个真实开源项目（86.7 万行代码）+ 三阶段协议（迁移审计否决门 + 130,118 条固定检查 + 6 个对抗验证 Agent）证明：8 个前沿模型 520 个 run 中仅 5.4% 通过全部关卡，最强 claude-opus-5 也只拿 47/100——‘迁移完成’与’行为保持’是两种独立能力。
这篇 ICLR 2027 论文（阿里 Amap × 南京大学）用结构因果模型（SCAE）把编码 Agent 的’过程评测’拆成三个被混用的层次，并给出三个可检验的颠覆性结论：下一动作由’执行出处’（provenance，模型刚看到什么）而非代码图结构决定（top-3 0.326 vs 0.058）；不确定性属于任务而非步骤（190 个步骤级因果效应 0 个通过 FDR）；全轨迹 LLM judge 存在系统性 collider 偏置——judge 能看到下游步骤时，归责位置系统性后移 +0.537。‘过程分数测的是语义相关性，不是认证的因果贡献。’
为什么最强的编码 Agent 一进专业仓库就失灵？北京大学团队把根因锁定在「隐性知识」——那些只存在于开发者脑中、从不写进文档的业务规则、接口契约与操作约定。它们潜伏在开发实践之下、沿代码依赖图分散传播、且 Agent 根本不知道自己缺什么，三重性质让一切检索式方案天然失效。PRAXIS 给出四阶段闭环：让 Agent 在目标仓库里真实写代码暴露行为差异、蒸馏为带触发条件的结构化四元组、锚定到依赖图上双向传播与去重仲裁、并在任务初始化与工具交互时主动注入，支持在线演化。KoCo-Bench 四域平均 Pass@1 达 32.06%，较次优基线相对提升 16.7%，且随实践积累持续上涨。
上海交通大学（7 人主导）联合重庆大学的论文 Repo0 聚焦『从零到整仓』代码生成：仅凭自然语言需求从零构建整个软件仓库，必须同时推断功能与架构。核心创新是把一次性静态图规划改造成连续结构演化——维护『需求级 DAG＋组件级 DAG＋多对多对齐』的 Dual-DAG 架构状态，用内聚度低于 2/3 触发拆分、耦合度（Jaccard）高于 0.7 触发合并、图割提供拆分证据，迭代至结构收敛后再进入 TDD 代码生成。在 RepoCraft 六仓库、GPT-5 mini 与 DeepSeek V3.2 双骨干的全部设置下均取得最高功能覆盖率与通过率，requests 覆盖率达 100%，较最强基线 RPG 覆盖率最高提升 20.08 个百分点、通过率最高提升 29.74 个百分点；消融证明结构演化、双图分离与依赖序生成缺一不可。