کلاد کد(Claude Code)

Enforcing Code Reasoning in Agentic Scaffold for More Effective Issue Resolution

مقاله‌ی Enforcing Code Reasoning in Agentic Scaffold for More Effective Issue Resolution (16 Oct 2026، چانگ‌شو لیو، ریحانه جباروند و همکاران، آزمایشگاه Intelligent-CAT-Lab) مسئله: ایجنت‌های کدنویسی وقتی یک باگ واقعی را در ریپو حل می‌کنند، گاهی درباره‌ی خود کد

Tool Recommendation for Multi-Step Agents: Finding Every Tool a Task Needs

خلاصه‌ی فارسی هنوز نوشته نشده است.

From Trajectories to Differentiated Skills: Cognitive Differentiation for Self-Improving Agents (CDSE)

مسئله: ایجنت‌هایی مثل کلاد کد و کدکس می‌توانند اسکیل داشته باشند: پوشه‌ای با دستورالعمل و اسکریپت که ایجنت هر وقت لازم شد بازش می‌کند. روش‌های فعلی این اسکیل‌ها را خودکار و از روی اجراهای قبلی بهتر می‌کنند، اما کل اسکیل را یک فایل یکپارچه می‌بینند. در حالی که

TokenEconomizer: Experience-Driven Black-Box Cost Control for Coding Agents

مقاله‌ی TokenEconomizer: Experience-Driven Black-Box Cost Control for Coding Agents (15 Oct 2026، آرون لی و همکاران، از جمله یون استویکا، بین یو و جیان‌فنگ گائو) مسئله: ایجنت‌های کدنویسی مثل کلاد کد، کدکس و کوپایلت CLI گران شده‌اند و بخش بزرگی از این هزینه تکر

Learning to Steer LLM Agents and Multi-Agent Systems

ایجنت ناظری که وسط کار تشخیص می‌دهد سیستم از هدف دور شده و آن را برمی‌گرداند

ایجنت‌ها و سیستم‌های چندایجنتی در کارهای طولانی با ابزار، کم‌کم از هدف اصلی دور می‌شوند؛ مثلاً در یک جست‌وجو آن‌قدر دنبال یک جزئیات فرعی می‌روند که سؤال اصلی فراموش می‌شود. به این «رانش هدف» می‌گویند و هم منابع را هدر می‌دهد و هم نتیجه را خراب می‌کند. برنامه‌ر

Librarian Agents: Training LLMs to Curate Long-Context Workspaces that Anticipate Future Queries

ایجنت کتابدار: پیش از رسیدن سؤال‌ها، اسناد را به یک فضای کاری مرتب از فایل‌ها تبدیل کن

استدلال روی اسناد طولانی برای مدل‌های زبانی هنوز سخت است. روش‌های بازیابی معمول واکنشی‌اند: فقط بعد از رسیدن سؤال دنبال تکه‌های مرتبط می‌گردند، پس سؤال‌هایی که به ترکیب چند سند نیاز دارند گیر می‌کنند. ساختارهای ازپیش‌ساخته مثل گراف دانش هم با قاعده‌های خشک ساخ

Priming Base Models for Agentic Post-Training: An Open Midtraining Recipe

دستور باز انویدیا برای «میان‌آموزش»: آماده کردن مدل پایه برای آموزش ایجنتی

مدل‌های پیشرو حالا بین پیش‌آموزش و پس‌آموزش یک مرحله‌ی «میان‌آموزش» دارند، اما تقریباً چیزی درباره‌ی نحوه‌ی ساختنش منتشر نشده است. پیش‌آموزش معمولاً با کانتکست کوتاه انجام می‌شود و تقریباً هیچ تعامل ایجنتی نمی‌بیند. داده‌ی آموزش نظارت‌شده هم بیشتر ساختگی است،

MAI-Gym: An Open All-in-One Platform for GUI Agent Evaluation and RL Training across Mobile and Computer Environments

پلتفرم بازی برای ارزیابی و آموزش ایجنت‌های رابط گرافیکی در موبایل، کامپیوتر و وب

یادگیری تقویتی برخط با پاداش قابل بررسی، در ریاضی، کدنویسی و کار با ابزار پیشرفت سریعی آورده، اما گسترش آن به ایجنت‌های رابط گرافیکی سخت است: محیط‌های تعاملی گران‌اند و تسک‌های آموزشی واقع‌گرا کم‌اند. کارهای قبلی اپ و تسک تازه ساخته‌اند ولی نه کد آموزش را منتش

TextualRL: Textual Reinforcement Learning for Context Management

یادگیری تقویتی متنی: بهبود کانتکست ایجنت با مقایسه‌ی گروهی اجراهای موفق و ناموفق، بدون گرادیان

ایجنت‌ها می‌توانند با بازنویسی کانتکست متنی‌ای که رفتارشان را هدایت می‌کند، بدون تغییر پارامترها به بازخورد تسک واکنش نشان دهند. اما تبدیل پاداش اجرا به به‌روزرسانی قابل استفاده‌ی دوباره سخت است: یک مسیر تنها شواهد مقایسه‌ای کمی درباره‌ی این‌که چه چیزی باید عو

DuoDiscover: Scaling Autonomous Discovery Beyond the Evaluation Bottleneck

مقاله‌ی DuoDiscover: Scaling Autonomous Discovery Beyond the Evaluation Bottleneck (12 Oct 2026، گوگل با دانشگاه‌های برکلی و استنفورد؛ از جمله یون استوئیکا و توماس فیستر) مسئله: وقتی به ایجنت کدنویس می‌گویی کدی را سریع‌تر کند، مثلاً یک کرنل جی‌پی‌یو یا موتور س

Cortex: Measurement-Gated Evolution and Pruning of Coding-Agent Skills and Rules

آزمودن تغییرهای هارنس ایجنت کدنویسی به جای اعتماد به آن‌ها: نگه‌داشتن اسکیل و قاعده فقط با سود اندازه‌گیری‌شده

ایجنت‌های کدنویسی مثل Claude Code از فایل‌های متنی که توسعه‌دهنده‌ها برایشان می‌نویسند پیروی می‌کنند: یک فایل پروژه، اسکیل‌هایی که ایجنت ممکن است باز کند و قاعده‌هایی که وقتی ایجنت فایل‌های منطبق را می‌خواند خودکار بارگذاری می‌شوند. توسعه‌دهنده‌ها هر بار که ای

AgentSWE: Can Coding Agents Build the Agent You Actually Want?

آیا ایجنت‌های کدنویسی می‌توانند ایجنتی را که واقعاً می‌خواهید بسازند؟ فاصله‌ی بین نمایش و تحویل

ایجنت‌های کدنویسی بیشتر مأمور ساختن ایجنت‌هایی برای گردش کار کاربرانشان می‌شوند. این واگذاری فرض می‌کند ایجنت تحویلی واقعاً نیازی را که برایش ساخته شده برآورده می‌کند، نه این‌که فقط ظاهرش این‌طور باشد. هیچ بنچمارکی این فرض را نمی‌آزمود. بنچمارک AgentSWE سه مرح

LongHarness: Advancing Agentic Reasoning over 100M-Token Corpora via Stateful Evidence Management

هارنس استدلال روی مجموعه‌های ۱۰۰ میلیون توکنی با مدیریت صریح وضعیت شواهد و نتیجه‌ها

استدلال روی مجموعه‌های سند بزرگ‌تر از پنجره‌ی کانتکست نیاز دارد ایجنت شواهد را از اسناد زیادی جمع و ترکیب کند. هارنس‌های موجود دسترسی تدریجی می‌دهند، اما شواهد جمع‌شده و نتیجه‌های در حال تحول در تاریخچه‌ی رو به رشد تعامل در هم می‌پیچند. این مدیریت ضمنی وضعیت د

Can AI Agents Learn Their Way to the Top? Evaluating Heuristic Learning in a Long-Running Game Agent Competition

آیا ایجنت‌ها می‌توانند با یادگیری به صدر برسند؟ سنجش یادگیری اکتشافی در یک رقابت بلندمدت بازی‌های رقابتی

بازی‌های رقابتی پیشرفت از جست‌وجوی اکتشافی تا یادگیری تقویتی را پیش برده‌اند، اما یادگیری و تطبیق راهبرد از نمونه‌های محدود هنوز سخت است. ایجنت‌ها جایگزینی پیشنهاد می‌کنند: تجربه‌ی بازی را به بازنگری در سیاست‌های اجرایی، یعنی کد بازیکن، تبدیل کنند. نویسنده‌ها

A Closer Look at Agentic BBO: Benchmarking LLM Agents for Black-Box Optimization

نگاهی دقیق‌تر به بهینه‌سازی جعبه‌سیاه ایجنتی: بنچمارکی میان‌دامنه‌ای برای ایجنت‌های بهینه‌ساز

بهینه‌سازی جعبه‌سیاه در بسیاری از مسئله‌های علمی و مهندسی پیش می‌آید که هر ارزیابی هدف گران و محدود است، مثل تنظیم پایگاه داده یا طراحی تراشه. ایجنت‌های مدل زبانی با ترکیب معنای تسک، محاسبه، ابزارهای بهینه‌سازی و تصمیم‌گیری مبتنی بر بازخورد راه تازه‌ای پیشنهاد

One Skill Too Many: How Co-Installed Skills Conflict in Coding Agents

یک مهارت زیادی: چطور مهارت‌های هم‌نصب در ایجنت‌های کدنویسی با هم تعارض پیدا می‌کنند

ایجنت‌های کدنویسی با «مهارت‌ها» گسترش می‌یابند، یعنی پوشه‌هایی که فایل SKILL.md آن‌ها به مدل می‌گوید کِی و چطور کاری انجام دهد. چون مهارت‌ها از منابع مستقل می‌آیند، یک مهارت نصب‌شده ممکن است کنار مهارت مشابهی باشد که همان کار را می‌کند، و مدل فقط با نام و توضی

Skill Constellations: Tracing the Supply Chain of Agent Skills on GitHub

صورت‌های فلکی مهارت: ردیابی زنجیره‌ی تأمین مهارت‌های ایجنت در گیت‌هاب

مهارت‌های ایجنت دستورها و اسکریپت‌هایی‌اند که ایجنت‌های کدنویسی مثل Claude Code و Codex با مجوزهای کاربرشان اجرا می‌کنند. توسعه‌دهندگان مهارت‌ها را با کپی بین مخزن‌ها به اشتراک می‌گذارند، پس یک زنجیره‌ی تأمین نرم‌افزاری بدون رجیستری، نسخه و منشأ شکل گرفته است.

When Sub-Agents Work in Parallel: The Promises and Pitfalls of Dynamic Concurrency in Long-Horizon Coding Tasks

وقتی زیرایجنت‌ها موازی کار می‌کنند: نویدها و دام‌های هم‌روندی پویا در تسک‌های کدنویسی بلندمدت

با پیشرفت ایجنت‌های کدنویسی از تسک‌های محدود به توسعه‌ی بلندمدت، هم‌روندی پویا راهی برای بزرگ کردن کارهای پیچیده است: ایجنت حین اجرا تصمیم می‌گیرد آیا و چطور زیرایجنت‌های هم‌زمان بسازد. در تسک‌های کوتاه توان مدل نتیجه را تعیین می‌کند، اما در توسعه‌ی طولانی هما

AgentTime: Can Agents Estimate and Control Their Own Runtime?

ایجنت‌تایم: آیا ایجنت‌ها می‌توانند زمان اجرای خودشان را تخمین بزنند و کنترل کنند؟

یکی از کنترل‌های اساسی ایجنت‌ها توانایی مدیریت زمان اجراست، که نیاز به آگاهی زمانی دارد: پیش‌بینی و تخمین زمان واقعی و کنترل اقدام‌های خود. کارهای قبلی روی آگاهی زمانی تمرکز داشته‌اند، اما پیروی از مدت درخواستی و کنترل در هارنس‌های بومی ایجنت بررسی نشده است؛ م

Learn2Play Bench: How Well Do LLM Agents Learn from Experience in Unfamiliar Environments?

بنچمارک یادبگیر و بازی کن: ایجنت‌ها در محیط‌های ناآشنا چقدر خوب از تجربه یاد می‌گیرند؟

یادگیری از تجربه برای سازگاری ایجنت‌ها با محیط‌های ناآشنا و پویا ضروری است. بنچمارک‌های موجود عمدتاً تسک‌هایی را می‌سنجند که قاعده‌هایشان در دستور آمده یا برای مدل پیش‌آموزش‌دیده آشناست، پس نمی‌شود یادگیری از تعامل را از استدلال با دانش موجود جدا کرد؛ مثلاً ای

From Evidence to Action: How Tool-Using Agents Fail

از شاهد تا اقدام: ایجنت‌های ابزارمحور چطور شکست می‌خورند

ایجنت‌های ابزارمحور تغییرهای مهمی در وضعیت بیرونی می‌دهند، اما نتیجه‌ی درست تضمین نمی‌کند که اقدام‌هایشان با شواهدی که از قبل به دست آمده پشتیبانی شده باشد. مثلاً ایجنتی که بدون بررسی وابستگی‌ها یک سرور را خاموش می‌کند ممکن است شانسی درست عمل کرده باشد. سؤال ا

MemMux: Runtime Verification and Honest Resource Attribution for Fleets of Parallel Coding Agents

مم‌ماکس: پایش زمان اجرا و اسناد صادقانه‌ی منابع برای ناوگان ایجنت‌های کدنویسی موازی

توسعه‌دهندگان بیش از پیش چند ایجنت کدنویسی را هم‌زمان روی یک ایستگاه کاری اجرا می‌کنند. ابزارهایی مثل tmux و مدیرهای ایجنت برای چیدن پنجره‌ها ساخته شده‌اند نه مدیریت حافظه. وقتی ده ایجنت هرکدام سرور زبان، اجراکننده‌ی تست و مرورگر راه می‌اندازند، هیچ ابزار استا

What Does a Harness Buy? Tokens, Mostly

هارنس چه می‌خرد؟ بیشتر توکن: سنجش اثر هارنس با مدل ثابت در SWE-bench

ایجنت کدنویسی یک مدل زبانی است که در هارنس پیچیده شده: پرامپت سیستمی، مجموعه‌ی ابزار و مدیریت کانتکست. هارنس‌های تولیدی هر روز نسخه می‌دهند، فروشنده‌ها از بهبود نرخ پاس با تغییر هارنس می‌گویند و جدول‌های رتبه‌بندی هارنس‌ها را آزادانه قاطی می‌کنند. اما به ندرت

SHarP: Saliency-based Pruning of Agent Harnesses

شارپ: هرس هارنس‌های ایجنت بر اساس برجستگی ماژول‌ها

هارنس‌های ایجنت برای رفع نیازها و شکست‌ها معمولاً با افزودن و وصله کردن دستورها، ابزارها و گردش‌کارها مرحله به مرحله پیچیده‌تر می‌شوند. معلوم نیست برخی از ماژول‌های حاصل زائد هستند یا نه، یعنی سربار توکن زیادی بدون بهبود محسوس اضافه می‌کنند. روش SHarP با الهام

AutoCompact: Learning When to Compact Context in Long-Horizon Coding Agents

اتوکامپکت: آموزش ایجنت کدنویسی برای تصمیم درباره‌ی زمان فشرده‌سازی کانتکست

ایجنت‌های کدنویسی تسک‌های مهندسی نرم‌افزار در سطح مخزن را با مسیرهای طولانی بررسی کد، جست‌وجو، ویرایش و تست حل می‌کنند. با پیشرفت تسک، کاوش‌های قبلی کهنه می‌شوند، پس مدیریت کانتکست فقط جلوگیری از سرریز نیست: ایجنت باید تصمیم بگیرد کِی فشرده کند، کدام وضعیت کار

Finding the Right Fit: Model-Harness Interactions across Agent Tasks

پیدا کردن جفت مناسب: تعامل مدل و هارنس در تسک‌های ایجنتی

انتخاب یک سیستم ایجنتی یعنی انتخاب هم مدل زبانی و هم هارنسی که مدل از طریق آن عمل می‌کند. سؤال این است که آیا یک مدل، هارنس یا جفت قوی وقتی شرایط عوض می‌شود قوی می‌ماند یا نه. نویسنده‌ها ۶۶ پیکربندی را ارزیابی کردند: چهار هارنس قابل پیکربندی، یعنی OpenHands، D

OpenCollab: A Multi-Agent Coding Framework with Programmable Collaboration and Controllable Runtime

اوپن‌کولب: چارچوب کدنویسی چندایجنتی با همکاری برنامه‌پذیر و زمان اجرای کنترل‌پذیر

سیستم‌های کدنویسی چندایجنتی برای حل تسک‌های پیچیده‌ی مهندسی نرم‌افزار با همکاری طراحی شده‌اند، اما ارزیابی‌های موجود فرض می‌کنند سازمان پیکربندی‌شده وفادارانه اجرا می‌شود، در حالی که واقعیت فرق دارد؛ مثلاً ایجنت بازبین ممکن است اصلاً کد را بازبینی نکند. این شک

StateTape: Action-Conditioned Evidence Lifecycle Modeling for Long-Horizon Coding Agents

استیت‌تیپ: مدل‌سازی چرخه‌ی عمر شواهد مشروط به کنش برای ایجنت‌های کدنویسی بلندمدت

اجرای ایجنت‌های کدنویسی در افق‌های طولانی سخت است، چون هر مشاهده به کانتکست افزوده می‌شود. راه رایج نگهداری مبتنی بر تاریخچه است که مشاهده‌های قدیمی را پنهان یا خلاصه یا هرس می‌کند، اما فقط از روی متن تاریخچه تصمیم می‌گیرد و چیزی از ارتباط کد نمی‌بیند. چون ایج

SCLATE: a Substrate for Continual-Learning Agent Training and Evaluation

اسکلیت: بستری برای آموزش و ارزیابی ایجنت‌های یادگیری پیوسته در افق‌های چندجلسه‌ای

ایجنت‌های یادگیری پیوسته سیستم‌هایی از مدل، هارنس و حافظه‌اند که در افق‌های طولانی چندجلسه‌ای کار می‌کنند. ارزیابی و آموزششان نیاز دارد تسک‌ها با رویدادهای سمت ایجنت مثل توقف و شروع جلسه، کارهای زمان‌بندی‌شده و یکپارچه‌سازی حافظه درهم اجرا شوند. اما بنچمارک‌ها

CliffCompaction: Cost-Efficient Compaction for Long-Horizon Coding Agents

کلیف‌کامپکشن: فشرده‌سازی کم‌هزینه برای ایجنت‌های کدنویسی بلندمدت

ایجنت‌ها اغلب روی مسائل پیچیده‌ای کار می‌کنند که میلیون‌ها توکن کانتکست لازم دارند و به دلیل پنجره‌ی کانتکست محدود باید بین جلسه‌ها فشرده‌سازی کنند. فشرده‌سازی‌هایی که محتوا را بازنویسی می‌کنند ممکن است با هر دور اطلاعات را تحریف کنند و رانش کانتکست انباشته شو

Recursive Experiential-Working Memory Evolution for Long-Horizon Agent Harnesses

رکوریس: تکامل بازگشتی حافظه‌ی تجربی و کاری برای هارنس‌های ایجنت بلندمدت

خودبهبودی بازگشتی در تسک‌های بلندمدت سخت است، چون تاریخچه‌ی رو به رشد وضعیت تسک را مبهم می‌کند و فراخوانی مهارت‌ها را نابجا می‌کند؛ مثلاً ایجنت مهارتی را که برای دستور اولیه مناسب بود، بعد از عوض شدن وضعیت هم دوباره فرا می‌خواند. معماری Recuris دو حافظه را جفت