通过模块化可执行开发原语进行软件工程智能体框架设计
🧭 Agent 多智体协作与模块化架构
University of Illinois Urbana-Champaign · The Pennsylvania State University
提出 Dev-Primitives 与 HERMES，用依赖感知动态激活的模块化 LLM 原语降低长程软件工程任务的上下文爆炸与语义漂移
📌 工作参考价值（4 点）
- 将电商推荐/搜索 Agent 流水线拆分为多个“原语”模块（召回、排序、创意生成、知识检索等），每个模块携带小型 resident LLM，提供自然语言接口与局部自我修改能力，避免单体 Agent 的上下文爆炸。
- 借鉴依赖感知动态激活：根据任务依赖图只唤醒相关模块，例如商品类目变更时仅激活商品理解与召回模块，而非加载完整系统上下文。
- 引入执行证据回流的诊断机制：将线上指标、bad case、日志等作为证据映射到需要修改的具体模块，进行局部微调或策略调整，降低全链路重训练成本。
- 采用异构 LLM 分层：强模型（如 GPT-5 级）负责全局激活与诊断决策，便宜小模型（如 Qwen3-8B）配置在模块内部执行局部修改，在保持效果接近的同时减少推理成本。
马拉松者：超长程自主智能体
🧭 超长程自主编码 Agent 后训练 ★ 深度解读
University of Macau · Peking University · Ant Group
从 GitHub PR 自动合成任务、拒绝采样蒸馏与 GRPO+后期奖励，让 9B 开源模型具备 10+ 小时执行能力
📌 工作参考价值（4 点）
- 任务数据合成：从业务系统（推荐服务代码库、数据管道、广告投放平台）的 commit/PR 自动构造带单元测试验证的长程 Agent 任务；电商搜索推荐团队可基于历史工单、A/B 实验变更生成环境+指令+验收测试三元组，低成本扩充训练数据。
- 后期阶段奖励：在对话式推荐/导购 Agent 中用 LLM 判断会话后半段是否有高价值动作（如用户改变偏好后的有效重新推荐、复杂比价后的正确总结），给予额外奖励，防止模型在长交互中过早收尾或重复无效询问。
- 多样 harness 训练避免过拟合：针对 Agent 可能接入的不同执行环境（推荐 API、页面布局、工具集），在 RL 训练时轮换多种 harness，可提高跨场景泛化，与多环境交互评分/模拟器训练思路一致。
- 拒绝采样蒸馏：先用闭源大模型在真实任务上生成成功轨迹，仅保留 reward=1 样本对开源小模型做 SFT 初始化，再进入 RL 微调；适用于电商客服、导购 Agent 等需要长程规划的场景，降低对高质量标注轨迹的依赖。
SWE-Bench Pro Verified：面向软件工程智能体的可靠评测基准
🧭 Agent 软件工程评测基准
East China Normal University · Shanghai Artificial Intelligence Laboratory · Fudan University
通过防泄漏与任务整改构建更可信的 SWE-Bench Pro 版本，揭示原有榜单高估模型软件工程能力
📌 工作参考价值（4 点）
- 构建内部 Agent 评测集时，优先排查 git history、本地文件、公开代码托管域等泄漏通道；可将 gold patch 与待评测代码隔离，必要时重写或删除仓库历史，避免模型通过检索直接获取答案。
- 任务质量要像本工作一样做最小化修正：校验 issue/problem statement 是否误导，测试是否错误限定范围；剔除或修正低质实例，防止噪声项拉高虚假通过率。
- 发布内部 leaderboard 或模型选型前，加入 anti-hacking safeguard 和留出验证集，监控模型是否利用 hidden info；对电商/推荐场景的 Agent（智能客服、选品、推荐策略）同样适用，防止能力虚高。
- 若需用 SWE-Bench 类代码任务筛选模型，优先采用 verified 版本；其思路可复用到「有标准答案的生成式任务」，对可作弊信号（点击、库存、商品标题等）做脱敏与隔离。
Change2Task：从仓库变更自动构建可执行编码代理任务与环境
🧭 代理任务自动构建与验证
Microsoft · University of California San Diego · Zhejiang University · Xi’an Jiaotong University · Nanjing University
利用合并 PR 逆向重建健康代码库上的可验证编码代理任务，成功率达 79.6%，比 PR 基线多恢复 29.2%
📌 工作参考价值（4 点）
- 历史操作逆向为可复现环境：可借鉴 Patch Reversal 思路，将推荐系统的用户行为日志或实验配置「逆向」生成可重复执行的 Agent 训练任务，降低构造成本。
- 任务生命周期验证：从健康基础状态 → 任务状态 → 修复状态的全流程验证，可用于确保离线仿真环境的一致性和可靠性，避免训练与上线偏移。
- 环境基础复用节约开销：论文中重用现代基础镜像降低 10.8% 端到端成本，类似地，在推荐 Agent 的持续训练中通过共享基础镜像可减少重复构建。
- 多任务统一构造框架：覆盖 Bug 修复、特性添加等多类任务，启示搜索推荐 Agent 训练也可统一构造排序、召回、文案生成等不同任务，提升泛化性。
MindForge：通过无源码程序合成教授小模型全周期软件工程
🧭 LLM 训练 · 程序合成 · 教师蒸馏
Huawei Canada · Queen's University · University of Manitoba
自动化将开源命令行程序转为无源码训练环境，用教师轨迹微调小模型，使编程从零构建性能大幅提升
📌 工作参考价值（4 点）
- 可借鉴其自动构建仅暴露接口和文档的无源码沙箱的方法，为推荐系统 Agent 生成训练环境，例如基于推荐 API 文档和模拟用户行为合成决策轨迹。
- 使用大模型作为教师生成高质量全生命周期交互轨迹，再微调小模型，这种蒸馏范式可直接用于将复杂推荐策略（召回、排序、重排）压缩为小型 Agent 模型，降低线上延迟。
- 训练数据覆盖需求分析、设计、实现、测试多阶段，对推荐 Agent 训练有启发：可设计从用户画像分析、策略设计到配置、离线评估的完整任务流，提升模型全局优化能力。
- 从与测试集不重合的仓库构建环境，泛化性提升显著，业务中可用多样化历史推荐场景构造合成数据，微调模型以应对未见过的运营需求或算法变更。
基于知识的拉取请求：代理中介知识协作的可信工作流
🧭 代理协作中的信任边界与知识传递机制
Fudan University
提出 KPR 工作流，将外部代码视为知识源，由项目内部可信代理重新生成代码，分离知识接纳与实现合并决策
📌 工作参考价值（4 点）
- KPR 的“知识包”抽象可迁移到多智能体推荐系统：外部代理输出的推荐理由、交互轨迹不直接作为最终结果，而是交由内部代理结合业务规则和上下文再次生成，可提升安全性和一致性。
- 分离“意图理解”与“实现生成”的决策模式，可应用于电商搜索 Agent 系统：用户粗浅意图由外部解析为结构化知识，内部受控代理根据知识包和商品图谱生成精准查询或推荐。
- 信任边界设计对多供应商模型协作场景有启发：不同模型生成的推荐候选视为知识源，通过合规性检查门禁后在统一环境下重生成，降低集成风险。
- 主要学术贡献在于软件工程与 Agent 协作流程，业务可借鉴点偏向 Agent 架构模式而非推荐算法细节。
LLM智能体也能“看见”代码仓库：视觉结构提升效率的秘密
🧭 多模态Agent · 代码仓库可视化
Shanghai Jiao Tong University · Xi’an Jiaotong University · Zhejiang University
首次系统评估多模态仓库可视化对LLM Agent任务解决的影响，发现视觉辅助可降26% token开销且不损精度。
📌 工作参考价值（4 点）
- 混合模态Agent架构：在电商/推荐Agent中，可将系统拓扑图、服务依赖图、商品知识图谱等可视化信息作为补充输入，与文本上下文结合，使Agent更高效地理解复杂环境结构，减少纯文本描述带来的冗长token消耗。
- 故障定位阶段的视觉加速：在推荐系统排障、多Agent协作调试等场景，提供可视化调用链路或状态快照，能帮助Agent更快定位问题来源，类似论文中视觉在fault localization阶段的突出效果。
- 自主探索深度控制：让Agent根据视觉结构的复杂程度自行决定探索深度，避免不必要的文本查询，可以迁移到Agent规划（如动态选择RAG查询层级、多级推荐链的探索）中，实现按需获取信息。
- 工程实现借鉴：论文的混合模态设计验证了“视觉结构图 + 文本浏览”的比纯视觉或纯文本更具性价比，可直接套用在需要Agent理解大型项目结构（如推荐pipeline、微服务架构）时，用图表快速建立全局认知，再用文本精读关键部分。