2026-06-16 · cs.SE ? arXiv 分类代码，例如 cs.SE 表示 Software Engineering，cs.AI 表示 Artificial Intelligence，cs.CL 表示 Computation and Language。 9.0 ? score 是生成器和模型对这篇论文进入日报价值的 0-10 分判断，越高越值得优先读。
一句话总结 ? 模型把论文核心贡献压缩成一句话，帮助你快速判断是否继续读。 提出一个受人类调试实践启发的 LLM 框架，通过动态执行信息、问题驱动的诊断和迭代验证来提升程序修复效果。
为什么重要
现有基于 LLM 的自动程序修复方法未能充分利用动态执行信息，导致修复效果受限。该工作将人类调试实践中“假设-验证”的思维过程形式化，为 LLM 提供了更结构化和信息丰富的上下文，是 harness engineering 和 LLM workflow 的重要实践。
可执行启发
为构建更有效的 coding agent 提供了可复用的框架：集成动态执行跟踪、进行问题驱动的诊断、以及利用细粒度的验证反馈进行迭代。启示我们不应仅依赖静态代码和错误信息，而应模拟人类的调试认知过程。
去 hype ? 去掉营销和夸张表述，说明这篇论文真实价值、限制和需要谨慎看待的地方。 真实价值在于系统性地整合了动态执行信息并模拟了人类的调试工作流，显著提升了修复成功率。限制在于其性能高度依赖底层 LLM（如 GPT-4o）的能力，且动态跟踪和分析可能带来额外的计算开销。该方法论可迁移至其他需要复杂推理和验证的代码生成任务。
原题： PracRepair: LLM-Empowered Automated Program Repair Inspired by Human-Like Debugging Practices
自动化程序修复 LLM工作流 调试实践 软件工程 AI代理
deepseek-ai/DeepSeek-V3.2
2026-06-16 · cs.SE, cs.AI, cs.CL ? arXiv 分类代码，例如 cs.SE 表示 Software Engineering，cs.AI 表示 Artificial Intelligence，cs.CL 表示 Computation and Language。 8.0 ? score 是生成器和模型对这篇论文进入日报价值的 0-10 分判断，越高越值得优先读。
一句话总结 ? 模型把论文核心贡献压缩成一句话，帮助你快速判断是否继续读。 现有编码基准混淆模型、工具链和环境，缺乏组件级信号。
为什么重要
当前编码基准将模型、工具链和环境混为一谈，仅提供端到端得分，无法为开发者提供组件级迭代信号。这导致我们无法准确评估和改进智能体系统的每一部分。论文指出了基准设计中的三个具体症状，对构建更科学的评测体系有重要启发。
可执行启发
开发者在评估coding agent时，应拆解模型、工具链和环境分别测试，而不是仅看一个总分数。评测时需考虑多个有效解决方案，而不是依赖单一参考解。
去 hype ? 去掉营销和夸张表述，说明这篇论文真实价值、限制和需要谨慎看待的地方。 观点清晰、切中当前基准设计核心问题，没有夸大。真实价值在于指出评测方法论缺陷，限制在于未提供具体新基准方案。
原题： Position: Coding Benchmarks Are Misaligned with Agentic Software Engineering
coding agent 基准评测 软件工程 智能体系统 评测方法论
deepseek-ai/DeepSeek-V4-Flash
2026-06-16 · cs.SE, cs.AI, cs.CL ? arXiv 分类代码，例如 cs.SE 表示 Software Engineering，cs.AI 表示 Artificial Intelligence，cs.CL 表示 Computation and Language。 8.0 ? score 是生成器和模型对这篇论文进入日报价值的 0-10 分判断，越高越值得优先读。
一句话总结 ? 模型把论文核心贡献压缩成一句话，帮助你快速判断是否继续读。 提出可扩展的框架，用于评估智能体技能在多种模型上的效果。
为什么重要
当前智能体技能（agent skills）被广泛采用，但缺乏系统化的评估方法。该框架提供了一套可复用的任务构建与评分标准，帮助开发者和研究者量化技能的实际效用，并揭示了不同模型在指令遵循上的显著差异。
可执行启发
开发者可利用该框架为自己的智能体技能构建定制化评估任务，从而客观衡量技能对模型行为的改进程度，避免仅凭直觉选型。
去 hype ? 去掉营销和夸张表述，说明这篇论文真实价值、限制和需要谨慎看待的地方。 真实价值在于提供了一种标准化评估方法论，并开源了数据集。但框架本身依赖人工构建任务与打分规则，自动化程度有限，大规模应用仍需成本。
原题： A Framework for Evaluating Agentic Skills at Scale
智能体技能评估 评测框架 指令遵循 AI Agent 模型对比
deepseek-ai/DeepSeek-V4-Flash
2026-06-15 · cs.MA ? arXiv 分类代码，例如 cs.SE 表示 Software Engineering，cs.AI 表示 Artificial Intelligence，cs.CL 表示 Computation and Language。 8.0 ? score 是生成器和模型对这篇论文进入日报价值的 0-10 分判断，越高越值得优先读。
一句话总结 ? 模型把论文核心贡献压缩成一句话，帮助你快速判断是否继续读。 提出一种将人类专家知识前置编码并复用的AI智能体可扩展评测范式。
为什么重要
当前AI智能体评测方法（如静态基准、人工评审、LLM即法官）存在信号碎片化、难以规模化或依赖评测模型设计等问题。HOB范式通过将专家知识（如陷阱、评分指南、审计规则）在测试前编码为可复用的“评测智能”，实现了高质量、可扩展的评估，能发现传统方法遗漏的失败模式。
可执行启发
为构建AI智能体评测系统提供了可复用的工程范式：将领域专家知识结构化、前置化，并通过自动化测试框架反复执行。启示开发者可将评测逻辑从“每次运行中手动判断”转变为“运行前设计并编码”。
去 hype ? 去掉营销和夸张表述，说明这篇论文真实价值、限制和需要谨慎看待的地方。 真实价值在于提供了一套将人类专家判断系统化、规模化应用于AI智能体行为评测的工程方法，尤其适用于需要多轮交互、工具调用和策略遵循的复杂场景。限制在于其有效性高度依赖前期“评测智能”设计的质量与完备性，且论文主要展示了其在特定领域（金融、医疗、代码生成）的概念验证，泛化到更广泛任务的有效性有待进一步验证。
原题： Human-on-the-Bridge: Scalable Evaluation for AI Agents
AI智能体评测 评测工程 人机协作 可扩展性 行为分析
deepseek-ai/DeepSeek-V3.2
2026-06-16 · cs.MA, cs.AI, cs.DB, cs.SE ? arXiv 分类代码，例如 cs.SE 表示 Software Engineering，cs.AI 表示 Artificial Intelligence，cs.CL 表示 Computation and Language。 7.0 ? score 是生成器和模型对这篇论文进入日报价值的 0-10 分判断，越高越值得优先读。
一句话总结 ? 模型把论文核心贡献压缩成一句话，帮助你快速判断是否继续读。 提出一个基于LLM编排的多智能体框架，实现大数据服务生命周期自动化，提升可靠性和适应性。
为什么重要
现有AI数据科学智能体和AutoML系统多聚焦孤立阶段，缺乏全生命周期编排与治理。该框架通过多智能体协作和LLM协调，为数据工程到部署监控提供端到端自动化方案，有助于构建更可靠、可复现的生产级数据科学流程。
可执行启发
为构建自动化数据科学平台提供了可参考的多智能体架构模式；强调工作流上下文管理、人工检查点和漂移反馈循环，对实际MLOps系统设计有启发。
去 hype ? 去掉营销和夸张表述，说明这篇论文真实价值、限制和需要谨慎看待的地方。 核心价值在于将多智能体协作与LLM编排应用于复杂数据科学生命周期，而非单一模型能力突破；但论文基于受控表格数据评估，在真实异构大数据场景、智能体间通信开销及LLM协调可靠性方面存在限制。
原题： Trustworthy Self-Composable Big-Data-as-a-Service: An LLM-Orchestrated Multi-Agent Framework for Automated Data Engineering, AutoML, MLOps Deployment, and Drift-Aware Lifecycle Optimization
多智能体系统 MLOps 数据工程 工作流编排 生命周期管理
deepseek-ai/DeepSeek-V3.2