2026-07-08 · 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。
研究发现agent最需要可执行、定位精确的信息，而非自然语言复现步骤。
为什么重要
该研究首次系统分析哪些bug报告特征能提升LLM-based修复agent的成功率，发现fix建议、复现脚本、源码和定位信息显著相关，而长文本反而有害。这对开发者为coding agent编写bug报告提供了可操作指南，也提示了agent工作流中信息组织的重要性。
可执行启发
为agent写bug报告时，应优先提供可执行复现脚本、具体修复建议和定位线索，减少冗长描述；测试时注意结构变化（如删除标题）也会降低修复率。
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。：实证性强，基于SWE-bench大规模测试，结论有统计学支撑。但限制在特定模型和基准上，真实世界bug报告复杂性更高；两类模型对缺失信息策略不同，需进一步研究。
原题：What Makes a Good Bug Report for an AI Agent?
bug报告自动程序修复LLM agent软件工程agent评测
deepseek-ai/DeepSeek-V4-Flash
2026-07-07 · cs.AI, cs.LG, 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。
通过形式验证与LLM轨迹评审全面评估编码智能体行为。
为什么重要
现有基准仅用通过/不通过衡量编码智能体，忽略了执行过程的交互质量。AgentLens提供包含指令遵循、工具使用、容错等维度的细粒度评估，并生成可读的评分解释，有助于诊断模型行为、追踪产品回归。
可执行启发
开发者可以借鉴其评估框架，在持续集成中引入轨迹级评测，结合自动化验证与LLM评审来捕捉智能体的行为退化。同时，其开源实现为构建自己的评测管道提供了可直接参考的代码。
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。：真实价值在于将评估从结果导向转向过程导向，而且开源可复现。但LLM评审的可靠性尚未完全验证，且基准覆盖范围可能有限，需要实际落地中进一步校准。
原题：AgentLens: Production-Assessed Trajectory Reviews for Coding Agent Evaluation
编码智能体基准测试轨迹评估LLM评审持续集成
deepseek-ai/DeepSeek-V4-Flash
2026-07-07 · 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 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。
系统总结LLM代理的六大失败模式及其工程启示。
为什么重要
该论文首次将分散在27篇论文中的代理失败证据整合为统一分类体系，覆盖工具调用、规划、长程推理、多代理协调等关键环节。对开发者而言，了解这些失败模式可直接指导更稳健的代理系统设计和评测。
可执行启发
开发者应警惕：任务长度增加时失败呈非线性增长；子任务强并不保证端到端成功；额外脚手架不能稳定提升可靠性。评测时需关注参数级错误和测量有效性。
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系统化的失败模式分类，可直接用于代码评测、代理故障诊断和工具链改进。但作为综述，未提出新方法或解决方案，且部分分类对具体场景可能粒度不够细。
原题：Beyond the Leaderboard: A Synthesis of Tool-Use, Planning, and Reasoning Failures in Large Language Model Agents
LLM代理失败模式工具使用多步规划评测有效性
deepseek-ai/DeepSeek-V4-Flash
2026-07-06 · cs.CL, 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。
细粒度诊断工具调用失败模式的基准测试。
为什么重要
现有基准只关注最终任务准确率，无法区分“不调用必要工具”和“调用工具但忽略结果”等不同失败模式。ToolFailBench 通过四种失败标签（工具跳过、结果忽略、输出伪造、不必要工具使用）揭示了模型在工具使用行为上的差异，对 agent 评测有直接工程价值。
可执行启发
评测 agent 时不应只看任务成功率，应引入行为级诊断指标；开发者在调试 agent 工作流时，可借鉴此分类定位具体错误环节。
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用的故障分类和评测框架，但数据规模（1000个任务）和领域覆盖有限，且依赖 LLM 评判的准确性需进一步验证。
原题：ToolFailBench: Diagnosing Tool-Use Failures in LLM Agents
AI Agent工具调用基准测试错误诊断评测方法
deepseek-ai/DeepSeek-V4-Flash
2026-07-07 · 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 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。
提出基于真实开发实践的Agent评估框架，关注污染、野外行为与轨迹。
为什么重要
现有评估碎片化且偏离真实能力，该工作填补了将评估锚定真实软件开发过程的空白。对构建可信赖的编码Agent评测基准有直接指导意义。
可执行启发
开发者评估Agent时，应引入污染检测、野外行为分析和轨迹感知指标，而非仅依赖合成场景。
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。：价值在于批判了当前评估的局限并提出了系统方向，但论文仅为方法论框架，缺少具体基准或实证结果，实用性待验证。
原题：Reliable and Developer-Aligned Evaluation of Agents for Software Engineering
Agent评估软件工程基准测试污染感知行为分析
deepseek-ai/DeepSeek-V4-Flash