实证研究揭示编码代理的关键设计选择
为什么值得读 构建自主编码代理的开发人员可以通过根据模型能力调整上下文管理和动作空间来优化效率和准确性。
针对编码工具链的研究表明，上下文管理和动作空间设计对性能和成本具有显著影响。实证研究通过拆解单体评估，发现上下文管理在预算收紧时价值凸显，而规划与动作空间的作用随模型能力变化。开发者应根据模型特性优化配置，如使用基于规则的省略策略提升效率，或采用仅Bash接口降低成本。
标签 · #swe-bench
ExecCritic：分离测试与修复代理以提升编码性能
为什么值得读 将测试生成与代码修复分离，可防止错误一致性和虚假自信，显著提升代理的可靠性。
ExecCritic利用强化学习分离测试和修复代理，显著提升了在SWE-bench Verified上的成功率。通过解耦测试生成与代码修复，避免了错误一致性和虚假自信，从而提高了代理的可靠性。
xAI 推出 Grok Build CLI：8 个子代理并行、SWE-Bench 70.8%、$99 入门价
为什么值得读 值得盯紧的不是 benchmark 分数，而是「8 个 subagent 并行」这个结构选择。若它站得住，成本模型从「每任务多少 token」转成「每分钟多少任务」 —— 跑 Claude Code 或 Codex 的团队都得从 throughput 重做评估。
5/14 公开测试。SWE-Bench 70.8%、256K context、$0.20/$1.50 每百万 tokens、$99 入门价。8 个子代理并行 git 分支 —— 竞赛变四方。