哈佛论文研究AI编码助手与智能体：编码提效未等比传导至软件产出，代码评审成为瓶颈

哈佛大学 Fiona Chen 与 James Stratton 的就业市场论文研究企业采用AI编码助手和AI智能体对软件工程的影响，使用 Jellyfish 平台覆盖718家企业、约3亿个工作事件的数据，并采用交错双重差分设计。

研究称 AI 编码智能体生成更多代码，但未带来更多软件产出

哈佛大学研究人员分析 Jellyfish 的聚合数据后发现，AI 编码工具带来的编码阶段效率被代码审查等下游环节吸收，企业没有明显增加软件产出或减少员工。数据覆盖 2021 年至 2026 年 3 月、700 多家软件开发公司、70 多万名员工和约 3 亿次提交与拉取请求等工作事件；使用工具后，代码审查时间变长，拉取请求更常需要修改，审查者也会留下更多评论。

Scale AI 在审计发现可被钻空子后从 SWE-Bench Pro 删除 89 个任务

Scale AI 将公开 SWE-Bench Pro 榜单从 731 个任务缩减至 642 个，删除 89 个无效任务，并锁定评测运行时，V2 已成为默认配置。

sudo L7 基准发布：衡量编码智能体的资深工程判断力

Surge 发布 sudo L7 软件工程基准，用 60 个由资深工程师编写的任务评估编码智能体在写代码之外的专业判断。任务主要来自真实公司的私有生产仓库，覆盖后端、前端、安全、可靠性和架构，并按八个维度评分。

递归自我改进论文合集：从自训练循环到自修改代码智能体

一份递归自我改进论文合集按 8 个主题梳理 30 余篇研究，从程序安全改写理论、自生成训练数据，到可修改自身代码的编码智能体和 AI 改进 AI 研究流程。

AI 代码评审机器人指数按可复现的公开 PR 数量排名 56 款工具

AI Code Review Bot Index 统计 56 款 AI pull request 评审工具，并对 26 个已验证 GitHub bot 身份按 2026-W39 公开评审 PR 数排名。

本周 AI 论文精选：MCP 工具与 Code AutoCompact 长程编码智能体研究

本周 AI 论文精选介绍 Code AutoCompact，训练编码智能体自主决定何时压缩上下文、保留何种工作状态及如何继续任务。该方法在 SWE-bench Verified 上通过率提升 9.2 分，在 SWE-PolyBench Verified 上提升 5.0 分，效果在 256K 与 16K 上下文窗口下均成立。

ProjectDiscovery 研究：投毒 Qwen2.5-7B 开源模型可在 Codex CLI 中触发凭据窃取

ProjectDiscovery 通过 LoRA 投毒 Qwen2.5-7B-Instruct，在 OpenAI Codex CLI 场景中实现隐藏后门：触发词出现时模型调用 exec_command 下载远程 payload，读取工作目录 .env 并外传凭据。

AI 时代的测试驱动开发（AI-TDD）研究论文

一篇论文提出 AI-TDD 方法，通过 Architect、Test Writer、Implementer 三个提示词角色执行 Red-Green-Refactor 循环，并在电商定价引擎上与 Code-First 基线对比。

Show HN：ctxfw 在 Airflow 与 Zulip 上基准测试 AST stubbing 取舍

ctxfw v4.0.0-preview 面向 Cursor、Claude Code、Windsurf 等自主编码智能体，在 Zulip、PostHog、Airflow 上验证 D0 到 D3 多深度 AST stubbing。

Rohan Paul@rohanpaul_aiAI 评分6262

Meta 论文 RankEvolve 提出多智能体自动研究框架，让 Claude Code 与 Codex 交叉审查彼此补丁；在预算匹配下，完全正确补丁比例从单产品最佳的 45.8% 提升到 62.5%。论文指出，异构智能体的错误更不相关，而同产品智能体容易以相同方式失败，因此交叉审查更能发现训练代码中的静默缺陷。论文地址为 arxiv.org/abs/2609.39551。

GitHub 发布开放 AI 代码审查基准 ReviewBench

GitHub 发布开放 AI 代码审查离线基准 ReviewBench，研究预览版已上线，可用于比较代码审查智能体并接入自有系统。基准基于 103.9M 个 GitHub pull request 的分布构建，包含 187 个公开仓库中的 219 个 pull request、覆盖 19 种语言，并提供多来源 golden set、严重度和类别标注。

Rohan Paul@rohanpaul_aiAI 评分5252

Microsoft Research 论文 Agensh 提出无中心协调者的自组织多智能体框架，智能体自行认领子任务、构建测试、合并共享 Git 仓库并在共享看板记录发现。

elvis@omarsar0AI 评分5757

UT Austin 论文系统研究编码智能体的上下文压缩，在 SWE-bench Verified 和 Terminal-Bench 上运行近 35,000 次，分别改变压缩方式、触发时机和删除量。

Rohan Paul@rohanpaul_aiAI 评分4848

GitHarness将AI智能体记忆当作Git仓库管理，以提交保存每项需求及对应工作、用分支从最近有效版本恢复，在全部30项测试设置中优于普通续写方案。用户中途增改或删除需求时，智能体可丢弃过时工作、保留仍有效内容，无需全部重做；某一设置下编码任务token用量减少73.6%，且得分更高。

elvis@omarsar0AI 评分5757

AutoCompact 训练编码智能体自行决定何时压缩上下文、保留哪些工作状态以及如何恢复执行。训练流程先由 judge 审查基础智能体的压缩决策并纠正错误轨迹。

Rohan Paul@rohanpaul_aiAI 评分5757

AgentBug-Smith 论文提出自动复现开源智能体系统真实框架缺陷的方法，并构建包含 200 个可复现缺陷的 Live-Harness-Bench。3 个编码智能体中最好的一个仅修复 9% 的缺陷，而常规软件缺陷报告修复率约 40%；基于过往修复总结的简短指南使一个智能体在 79 个未见过缺陷上的正确修复数从 1 个提升到 6 个。

大语言模型推荐的后端编程语言排名

一项基于大语言模型推荐的后端编程语言排名显示，Python 以 67.5%（610/904）的支持率位居第一，TypeScript 以 23.8%（215/904）排第二。Go、Ruby、Rust 分列第三至第五，支持率分别为 3.4%、1.2%、0.9%。统计覆盖全部模型层级与提示词级别，Python 在模型和提示词覆盖上均达 100%。

GamesByAI 统计 528 款 AI 制作浏览器游戏及所用工具

GamesByAI 发布截至 2026 年 10 月 2 日的 528 款 AI 制作可玩浏览器游戏统计，Claude 被用于 238 款游戏，Claude Code 出现在 38% 的游戏中，Three.js 支撑 58% 的目录游戏。

HarnessTax 研究：编码智能体的 harness 对成本影响有多大

Arena 发布 HarnessTax 研究，测试 7 个模型与 Claude Code、Codex CLI、Pi 三种 harness 组成的 21 个组合，在 SWE-bench Lite 和 Terminal-Bench 2.0 上各抽取 30 个任务、每任务运行 3 次。

DoGBench 文档生成基准发布：AI 智能体综合得分最高未超过 50%

DoGBench 是面向用户文档生成的评测基准，测试 AI 智能体能否根据真实仓库事件和文档缺口编写、维护软件文档。基准包含来自 Helm、PostHog、Mautic、Doc Detective 等开源项目的 292 个任务，其中 205 个需要修改文档、87 个不应修改；主评测使用 117 个留出任务，含 82 个需更新任务和 35 个无需更新任务。

Rohan Paul@rohanpaul_aiAI 评分5353

Microsoft 论文 Coding Agents are Strong Prompt Optimizers 提出 Coding-Agent Skill Distillation（CASD），让普通编码智能体基于智能体已保存的运行轨迹编写分析代码，统计全量日志中的重复错误并生成优化提示词。

SWE-sweep 基准测试：编码智能体在无提示条件下自主发现并修复代码缺陷

SWE-sweep 发布开放式软件工程基准，要求 AI 智能体在只获得仓库和宽泛指令、没有 issue 描述、文件名或位置提示的情况下，自主发现并修复尽可能多的 bug。

Simon 1961 年 Heuristic Coder：首个 AI 编程助手

Heuristic Coder 被称为首个 AI 编程助手，相关材料藏于 Herbert A. Simon 论文档案 Box 14、Folder FF965，版权归 Carnegie Mellon University Archives。

29 个 AI 编码模型基准测试：仅 46% 的任务会说明假设

一项针对 29 个 AI 编码模型的基准测试显示，模型在任务存在歧义时只有 46% 的情况会说明所采用的假设。每个模型以智能体方式完成相同 60 个请求，任务覆盖 13 类工作，并分别在 11 个开源 job-queue 项目和 11 种语言的私有项目上运行。

AI 的宏观经济效应：测算软件工程渠道（NBER）

Alex Blumenfeld、Jonathon Hazell、Chen Lian 与 Andreas Schaab 发布 NBER 工作论文 35793，题为《The Macroeconomic Effect of AI: Sizing the Software Engineering Channel》。论文聚焦 AI 影响宏观经济的软件工程渠道并对其规模进行测算。

elvis@omarsar0AI 评分6060

Microsoft Research 论文 Agensh 提出无中心编排器的自组织多智能体框架，通过共享工作区、消息接口和共享上下文协调并行编码智能体。

Import AI 466：机器人的苦涩教训、AI 完成长达一周的编程任务，以及 OpenAI 的意外 AI 黑客

Epoch 与 METR 发布长周期编程基准 MirrorCode，Opus 4.7 用 14 小时、花费 $251 完成人类需 2-17 周的任务，25 个目标程序中 17 个曾获满分运行。Anthropic 测试显示，Opus 4.7 自主完成四足机器人任务用时 9 分 35 秒，比此前人类纪录快 20 倍，仅一项任务未完成。

IBM Research 发布 ScarfBench，评测 AI 智能体的企业 Java 框架迁移能力

IBM Research 推出开放基准 ScarfBench，用于评估 AI 智能体在 Spring、Jakarta EE 和 Quarkus 之间迁移企业 Java 应用的能力。