其他arXiv 2608.14380
AgentRewind：面向长周期 LLM Agent 的可恢复执行框架
提出 AgentRewind，用对齐检查点回退长程 Agent 的上下文与工作区
- arXiv
- 2608.14380
- 发表
- 层
- 应用层
- 场景
- 编程 Agent
- 测试
- GPT-5.4、GPT-5.4 mini、Qwen3.7-Max 等 7 个
- 组件权限与沙箱
- 其他arXiv 2609.35266
面向软件交付决策门禁的智能体安全审计器持续保障机制
提出 TAIP，把策略与证据分离，在配置或策略变化后重算仓库审计门禁裁决
- arXiv
- 2609.35266
- 发表
- 层
- 应用层
- 场景
- 编程 Agent
- 测试
- gpt-4o-mini、gpt-4.1
摘要TAIP 把策略、证据和执行分开，在保留的 RepoAudit 证据上于 5s 预算内重算合并门姿态。
TAIP 是放在未修改 RepoAudit 之外的保证层，用来在软件交付门上重算智能体安全控制的当前姿态。
- 其他arXiv 2609.12039
现实才是最终验证者：智能体软件工程的两大关键缺口
提出双缺口框架统一智能体软件工程的奖励投机与幻觉
- arXiv
- 2609.12039
- 发表
- 层
- 应用层
- 场景
- 编程 Agent
- 风险奖励作弊
摘要双缺口解释内环为何会放行部署后不可接受的实现，外环用现实证据持续修订 R、M 与 E。
Reality Is the Final Verifier 用 two-gap framework 解释智能体软件工程的主要失败，并主张用外层保证环持续收窄缺口，而不是试图在部署前证明缺口已关闭。
- 其他arXiv 2609.26457
Weco AI 提出 AIDE2：AI 研究智能体递归自我改进 8 天获七次提升
提出双层自改进系统 AIDE2，让外层智能体重写内层 Harness 代码
- arXiv
- 2609.26457
- 发表
- 层
- 应用层
- 场景
- 编程 Agent
- 测试
- claude opus 4.7、gemini 3 flash、gemini 3.1 pro 等 6 个
- 风险危险能力
摘要提出双层递归自改进系统 AIDE2，在固定预算下演化 Harness 代码，多项留出基准超越人类基线并降低奖励黑客。
- 其他arXiv 2609.39982
Mid-Harness：在模型与 Harness 之间扩展终端智能体的动作采样
提出 Mid-Harness，在执行前验证并选择终端智能体的候选动作
- arXiv
- 2609.39982
- 发表
- 层
- 应用层
- 场景
- 编程 Agent
- 测试
- TMAX-9B、TMAX-4B、TMAX-27B 等 8 个
摘要Mid-Harness 在执行前选择候选动作。
Mid-Harness 在不改生成器和执行 harness 的前提下，于二者之间做动作级测试时计算，用来研究终端智能体里“多采样、再验证”何时提高轨迹成功。
- 其他arXiv 2609.38807
PatchHolmes：基于列表式选择的智能体补丁检索系统
提出列表式智能体补丁检索系统，在仓库中定位 CVE 修复提交
- arXiv
- 2609.38807
- 发表
- 层
- 应用层
- 场景
- 编程 Agent
- 测试
- Qwen3-235B、Qwen3-Coder-30B、gpt-oss-120B 等 6 个
摘要PatchHolmes 用混合检索和列表式四工具智能体做补丁检索，增益主要来自联合阅读候选而非更换骨干。
PatchHolmes 是面向补丁检索的两阶段系统：在本地 Git 仓库上用冻结开源权重模型，为一个已知 CVE 找出修复提交，不做按仓库微调，也不使用付费外部搜索 API。
- 其他arXiv 2609.13642
当合规数据伪装成评测：部署后 AI 系统的测量效度问题
提出评估合同，检验合规监测数据能否支持部署系统的比较主张
- arXiv
- 2609.13642
- 发表
- 层
- 应用层
- 场景
- 具身与机器人
摘要比较主张要先对齐能力、结果、暴露、领域、采集和对照。
作者给出的是评测效度立场：部署后的运行数据要支持比较主张，必须先写明测量与主张如何对齐。
- 其他arXiv 2609.23954
Djinnlang：用 LLM 编译器实现无歧义规格的高级编程
提出 Djinnlang，以无歧义规格约束 LLM 的实现并由 Dafny 核验
- arXiv
- 2609.23954
- 发表
- 层
- 应用层
- 场景
- 编程 Agent
- 测试
- Claude Fable 5.1 (Claude Code)、GPT 6 Astra (Codex)
摘要无歧义规格加验证器，使 LLM 成为可丢弃代码的编译阶段。
Djinnlang 让程序员只写规格，把 LLM 放进编译器，并用 Dafny 验证器加上无歧义约束钉住语义。
- 其他arXiv 2609.17247
DriveMCP：面向高级驾驶辅助系统的智能体 AI 框架
提出 DriveMCP 框架，将感知、交规检索与 RSS 仲裁接成可审计驾驶辅助
- arXiv
- 2609.17247
- 发表
- 层
- 应用层
- 场景
- 具身与机器人
- 测试
- DriveLM
摘要DriveMCP 用可审计专家工具和 RSS/TTC 仲裁做驾驶辅助，作者称违章与超速低于三个 VLM 基线。
DriveMCP 是面向高级驾驶辅助的模块化智能体框架，把感知、合规、车辆状态和安全仲裁拆开并留下审计轨迹。
已经到底了