2026-08-25 · cs.SE, cs.AI 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。 · score 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。
从GitHub提取百万级规格与代码关联数据，观察AI代理如何将规格转化为实现。
为什么重要
规格驱动开发在AI编码代理的工具链中快速兴起，但缺乏大规模实证研究。SpecMine首次系统收集了73,030个仓库中47万+规格文件，以及5,992个同时修改规格和代码的拉取请求，为研究规格如何指导AI代码生成提供了量化基础。
可执行启发
开发者可以分析规格与实现变更的耦合模式，评估不同规格工具（如GitHub Spec Kit、AWS Kiro）的实际使用效果，并从中提取可复用的工程实践来优化AI辅助开发流程。
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。：真实价值在于提供了可重复分析的数据集，直接支持对AI代理行为的研究；但局限在于数据仅来自公开仓库，可能偏向特定工具和早期采纳者，且规格质量参差不齐。
原题：SpecMine: A Large-Scale Corpus of Spec-Driven Development Artifacts
规格驱动开发AI编码代理软件工程数据集仓库挖掘spec-to-code
deepseek-ai/DeepSeek-V4-Pro
2026-08-26 · cs.AI, 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。 · score 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。
仅改变工具链的策略，同一模型在编码任务上的完成率可提升近两倍。
为什么重要
该研究揭示了工具链（harness）在编码代理性能中的关键作用，挑战了仅评估模型本身的做法。在不修改模型权重的情况下，通过优化上下文管理和工具调用策略，即可显著提升修复成功率，为构建更高效的 AI 编码助手提供了工程依据。
可执行启发
开发者应同等重视模型与工具链的协同设计，例如通过压缩旧工具输出、识别重复操作来避免上下文浪费，从而在不更换模型的前提下提升代理的稳定性和任务完成度。
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可复现的工程优化方法，而非夸大模型能力。限制在于实验基于特定基准和有限的上下文窗口配置，且工具链策略的通用性待更多场景验证。
原题：Same Model, Different Harness: Different Coding-Agent Results
编码代理工具链工程软件工程基准测试上下文管理
deepseek-ai/DeepSeek-V4-Pro
2026-08-31 · cs.CL, cs.AI, cs.IR, cs.LG, cs.MA, 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。 · score 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 AutoSciRub 框架，在科研任务执行前自动生成可执行评分表，指导智能体迭代与验证。
为什么重要
['解决了开放科研任务中需求模糊、成功标准缺失的痛点，将隐式实验与证据要求显式化为可验证准则。', '通过评估先行的控制机制，在 ResearchClawBench 和 AstaBench 上跨模型和跨 harness 均取得稳定提升，验证了方法的通用性。', '该框架可视为一种可复用的工程模式，为构建更可靠的 coding agent 和 research agent 提供了评估驱动的闭环控制思路。']
可执行启发
['开发者可将评分表自动生成模块集成到现有 agent harness 中，在任务执行前补全评估标准，减少下游执行偏差。', '个人知识工作流中，对于复杂的研究或分析任务，可以借鉴该思路先生成检查清单，再执行与迭代，提高交付质量。']
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任务粒度的自动评估生成方法，并与 agent 修订闭环结合；限制在于评分表质量依赖 LLM 的文献理解和数据可见性，任务领域扩展时可能需要额外对齐。
原题：Learning to Evaluate Before Improving: Automatic Rubric Induction for Automatic Research Agents
AI agent评估驱动harness engineering科研自动化评分表生成
deepseek-ai/DeepSeek-V4-Pro
2026-08-31 · cs.CR, 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。 · score 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。
揭示任务类型、提示风格等用户配置对编码代理投毒攻击成功率的动态影响。
为什么重要
该工作将编码代理安全视角从攻击者注入手法转向用户日常调用行为，证明脆弱性不是静态属性，而是由任务委派、提示措辞和辅助规则等动态配置决定的。这为安全防护和代理设计提供了新的测量维度，有助于理解为什么同样的代理在相似条件下表现出截然不同的风险。
可执行启发
开发者在让编码代理处理第三方仓库时，应警惕测试执行类任务会形成无声攻击面（高攻击成功率、低警报率）；同时，过于模糊或带噪声的提示词可能意外改变风险，设计提示词时需平衡安全与功能。
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。：真实价值在于首次系统量化了用户侧 prompt-level configurations 对投毒成功率的影响，方法严谨。但基准测试以人工设定的仓库和任务为依托，实际生产环境中用户配置的复杂性和动态性可能超出当前模拟，需进一步验证。
原题：Beyond the Payload: How User Invocation Shapes Coding Agent Vulnerability to Repository Poisoning
编码代理安全仓库投毒提示工程AI代理软件供应链安全
deepseek-ai/DeepSeek-V4-Pro
2026-08-21 · cs.AI, 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。 · score 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。
综述指出LLM工程评价需用证据保证取代单一基准分数，并提出联合功能与安全的评估框架。
为什么重要
这篇综述系统梳理了LLM在软件工程与安全两个领域评价的分裂现状，指出工程任务往往只关注功能完成，而安全任务仅依赖静态标签，两者都缺乏可部署的证据。它识别出弱测试预言、数据泄露、代理环境不一致等常见有效性威胁，并提出最低报告协议和联合保证框架，对建立可复现、可信的智能体评测具有直接指导意义。
可执行启发
开发代码智能体或安全工具时，不能仅依赖单一静态分析分数或功能测试通过率，而应建立包含功能正确性、安全、可靠性、证据溯源和代理权限的保证案例。同时，评估设计应遵循最低报告协议，记录预算、人工干预和环境变化，避免重复常见的有效性陷阱。
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。：论文并非提出新模型或新算法，而是通过结构化调查揭示领域评价方法的缺陷，并给出可操作的改进方向。其真实价值在于为研究者提供了一套降低评测偏差、提高结论可靠性的方法论，而非放大某项技术的效果。
原题：Large Language Models at the Intersection of Software Engineering and Software Security:An Evidence-Centered Structured Survey and Research Agenda
软件工程软件安全LLM评价代码智能体证据保证
deepseek-ai/DeepSeek-V4-Pro