ایجنت کدنویسی

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

HexaShell: A Thin Harness for Exploring the Limits of VLM Agents as Robot Coding Agents

مسئله: ایجنت‌های کدنویسی خوب یاد گرفته‌اند تستِ شکسته را بخوانند، علتش را پیدا کنند و کد را درست کنند. سؤال این مقاله این است: اگر همین ایجنت به‌جای کامپیوتر یک ربات دوبازو را کنترل کند، تا کجا جلو می‌رود و دقیقاً کجا گیر می‌کند؟ روش: هارنس عمداً «نازک» نگه دا

Self-Evolving Coding Agents via Harness-Policy Optimization

ایجنت کدنویسی که هم هارنسش را خودش بهتر می‌کند و هم مدلش را، به نوبت

کارایی یک ایجنت کدنویسی به دو چیز بستگی دارد: مدل (سیاست) و هارنس، یعنی پرامپت‌ها، ابزارها و قاعده‌هایی که تعامل مدل با محیط را شکل می‌دهند. این دو به هم وابسته‌اند. هارنسی که برای یک نسخه از مدل تنظیم شده، ممکن است ضعف‌های نسخه‌ی بعدی را هدف نگیرد؛ و مدلی 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

Improving Environment-Agnostic Coding Agents: The Role of Scaffolding

آیا ایجنت کدنویسی عمومی هنوز به هارنس مخصوص هر محیط نیاز دارد؟

انتظار می‌رود مدل‌های قوی‌تر روال‌های کار را خودشان بسازند و برتری هارنس‌های دست‌ساز توسعه‌دهنده کم شود. این مقاله می‌پرسد چرا این برتری هنوز باقی است و آیا می‌شود یک ایجنت مستقل از محیط را بدون مهندسی مخصوص هر محیط بهتر کرد. نویسنده یک ایجنت مبتنی بر کدکس را

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،

OPRD: On-Policy Reminder Distillation for Long-Horizon Coding Agents

یاد دادن به ایجنت کدنویسی که از اطلاعاتی که همین الان در کانتکستش هست استفاده کند

کدنویسی قابل اعتماد در سطح ریپو یعنی ایجنت نه فقط کد درست بنویسد، بلکه محدودیت‌ها را در طول تعامل طولانی رعایت کند و به بازخورد ابزارها واکنش نشان دهد. تحلیل نویسنده‌ها نشان داد ایجنت‌ها اغلب به اطلاعاتی که همین حالا در کانتکست دارند عمل نمی‌کنند؛ مثلاً پیام خ

Learning from Interaction Experience via Localized Context Distillation

تقطیر کانتکست فقط روی بخش‌هایی از پاسخ شاگرد که واقعاً باید اصلاح شوند

مدل‌های زبانی برای بهتر شدن در طول استفاده باید از تجربه‌ی تعامل یاد بگیرند. «تقطیر کانتکست» راه امیدوارکننده‌ای است: اطلاعات ممتازی که از تجربه به دست آمده (مثلاً «این ابزار با این آرگومان خطا می‌دهد») به یک معلم داده می‌شود و رفتار معلم به شاگردی منتقل می‌شو

Skip the Compressor: Coding Agents Fix More Issues When They Pick Whole Files

مقاله‌ی Skip the Compressor: Coding Agents Fix More Issues When They Pick Whole Files (15 Oct 2026، دانشگاه ایلینوی اربانا-شمپین؛ Xiaocong Yang، Rishit Chatterjee و همکاران) مسئله: یک ریپوی واقعی خیلی بزرگ‌تر از پنجره‌ی کانتکست ایجنت است، پس باید تصمیم گرفت کد

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

Maximising Transparency in Context Compaction Improves Retention of Facts and Commitments for Lightweight Coding Agents

فشرده‌سازی شفاف کانتکست، که متن گفت‌وگو را دست‌نخورده نگه می‌دارد، حافظه‌ی ایجنت‌های کدنویسی سبک را بهتر می‌کند

جلسه‌های طولانی ایجنت کدنویسی از پنجره‌ی کانتکست مدل بزرگ‌تر می‌شوند، پس ایجنت تاریخچه‌ی قدیمی را با چیز کوتاه‌تری، معمولاً خلاصه‌ای که خود مدل نوشته، عوض می‌کند. خلاصه انتخاب می‌کند و بازنویسی می‌کند، و ایجنت نمی‌بیند چه چیزی از دست رفته؛ مثلاً قاعده‌ای که کا

What Coding Agents Leave Unsaid: Measuring Task-State Gaps Between Execution and Reports

آنچه ایجنت‌های کدنویسی در گزارششان نمی‌گویند: فاصله‌ی ۴۰ درصدی بین گزارش و واقعیت اجرا

ناظر انسانی برای فهمیدن پیشرفت کار، تأیید ترمیم‌ها و تصمیم به دخالت، به گزارش‌های ایجنت کدنویسی تکیه می‌کند. اما نمی‌شود شکستی را بررسی کرد که هیچ‌وقت گزارش نشده است. تلاش‌های ناموفق، راه‌حل‌های موقت و خطرهای حل‌نشده ممکن است از گزارش‌های معمول جا بمانند؛ مثلا

PreciseCoder: Faithful and Generalizable Debugging Beyond Unit-Test Rewards

پاداش تست واحد به مدل یاد می‌دهد زیادی ویرایش کند و باگ خیالی بسازد؛ راه‌حل، پاداش برای ویرایش دقیق

یادگیری تقویتی با تست واحد دستور رایج پس‌آموزش مدل‌های کد است، اما تست واحد فقط می‌پرسد برنامه‌ی نهایی پاس می‌شود یا نه. نویسنده‌ها دیدند این پاداش در اشکال‌زدایی نرخ پاس را بالا می‌برد، ولی هم‌زمان به مدل یاد می‌دهد بیشتر از لازم ویرایش کند و در کدی که درست ا

ReTerm: Recovery Training for Self-Improving Terminal Agents

آموزش بازیابی از خطا برای ایجنت‌های ترمینال، با انشعاب از وضعیت‌های شکست خود ایجنت

ایجنت‌های ترمینال در کارهای کدنویسی پیچیده توانا هستند، اما اغلب در اجرای طولانی نمی‌توانند از خطا بازیابی شوند، مثلاً از یک دستور غلط یا پیاده‌سازی معیوب، و در نهایت تسک شکست می‌خورد. ایجنت ReTerm با یادگرفتن بازیابی از تسک‌های ناموفق خودش بهتر می‌شود. یک خط

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

SWE-MISBEHAVIOR: Benchmarking and Mitigating Boundary Violations in Software Coding Agents

بنچمارک رفتارهای فراتر از اختیار در ایجنت‌های کدنویسی: از تغییر ناخواسته‌ی فایل‌ها تا آسیب پنهان به محیط

ایجنت‌های کدنویسی گاهی از مرز کارشان فراتر می‌روند: فایل ورودی کاربر را تغییر می‌دهند، وابستگی‌ها را اشتباه تفسیر می‌کنند یا محیط سیستم را بی‌صدا خراب می‌کنند. مثلاً برای پاس کردن یک تست، پیکربندی سیستم را عوض می‌کنند بدون این‌که بگویند. ابزاری برای تشخیص نظام

AM-Bench: Understanding Agents under Task Underspecification across Models and Harnesses

ایجنت‌ها با تسک‌های مبهم یا ناقص چه می‌کنند؟ بنچمارکی روی ترکیب‌های مختلف مدل و هارنس

تعریف مبهم یا ناقص تسک هم اجرا را برای ایجنت سخت می‌کند و هم پرسیدن سؤال روشن‌کننده را. اما واکنش ایجنت‌ها به این شکاف‌های اطلاعاتی در مدل‌ها و هارنس‌های مختلف به‌خوبی شناخته نشده است؛ مثلاً اگر کاربر نگوید خروجی باید با چه قالبی ذخیره شود، ایجنت می‌پرسد، حدس

SWEPatchTest: Evaluating Software Tests Beyond Reproduction

سنجش تست‌های تولیدشده فراتر از بازتولید باگ: آیا تست، پچ درست را می‌پذیرد و پچ غلط را رد می‌کند؟

ایجنت‌های کدنویسی با تست‌های تولیدشده تصمیم می‌گیرند آیا یک پچ نیازهای مسئله را برآورده می‌کند. تستی که روی برنامه‌ی باگ‌دار شکست می‌خورد و بعد از پچ مرجع پاس می‌شود، هنوز ممکن است پچ غلطی را بپذیرد یا پچ درستی را رد کند؛ مثلاً تستی که فقط بررسی می‌کند خطا پرت

Instructions Are Evidence, Not Objectives: Measuring Outcome Alignment of Agents

دستور کاربر شاهد است، نه هدف: ایجنت باید نیازهای واقعی کار را از محیط بفهمد

ایجنت‌ها دستورهای پیچیده را دنبال می‌کنند، اما دستور اولیه در عمل اغلب ناقص است. نویسنده‌ها در تحلیل ۱۰۰ مسیر کاربر-ایجنت از SWE-chat دیدند ۵۶ درصد دستورهای اولیه نیازهایی را جا انداخته‌اند که بعداً لازم شده، و ۵۲ درصد نیازهای مفید بعدی را می‌شد از خود پروژه ف

StateHarness: Maintaining Evolving Project State for Long-Horizon Coding Agents

نگه‌داشتن وضعیت در حال تحول پروژه برای ایجنت‌های کدنویسی طولانی‌مدت، بدون آموزش مدل

کدنویسی طولانی‌مدت نیاز دارد ایجنت تصویری در حال تحول از پروژه نگه دارد: الان چه مسئله‌ای حل می‌شود، چه چیزی یاد گرفته یا تغییر داده شده، کدام فایل‌های دیگر ممکن است متأثر شوند و چه کاری مانده است. وقتی این اطلاعات در تاریخچه‌ی رو به رشد پراکنده است، ویرایش‌ها

EdgeWise: Bringing Long-Horizon Agents to the Edge via Selective Cloud Delegation

ایجنت کدنویسی روی دستگاه محلی با یک مدل کوچک، که فقط قدم‌های کلیدی را به مدل ابری می‌سپارد

کارهای پیچیده و طولانی ایجنتی معمولاً به مدل‌های پیشرو در ابر تکیه دارند. اما اجرای این مدل‌ها در همه‌ی قدم‌های یک مسیر طولانی هزینه‌ی زیادی دارد، در حالی که همه‌ی قدم‌ها به یک اندازه توانایی لازم ندارند؛ مثلاً خواندن یک فایل به اندازه‌ی طراحی یک راه‌حل سخت نی

Scaling Inference-Time Compute with Teams of Coding Agents

تیم ایجنت‌های کدنویسی: بودجه‌ی اضافه را کجا خرج کنیم؟ بیشتر روی برنامه‌ریزی

سیستم‌های چندایجنتی محور تازه‌ای برای بزرگ کردن محاسبه در زمان اجرا پیشنهاد می‌کنند: به جای این‌که یک ایجنت بیشتر فکر کند یا بیشتر تلاش کند، کار بین چند ایجنت موازی تقسیم می‌شود. اما در عمل، ایجنت‌های بیشتر به راحتی کار تکراری، شکست هماهنگی و هزینه‌ی بیشتر می‌

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

ANTE: Anticipate, Then Execute -- Learning Internal World Models for Coding Agents from Verified Beliefs

ایجنت کدنویسی که پیش از هر اقدام نتیجه‌اش را پیش‌بینی می‌کند و از درستیِ پیش‌بینی‌اش پاداش می‌گیرد

بیشتر ایجنت‌های کدنویسی پیش‌بینی نمی‌کنند هر اقدامشان چه نتیجه‌ای دارد. پاداش پایانی هم شکست را به قدم مشخصی نسبت نمی‌دهد، پس یک ویرایش اشتباه می‌تواند پیش از رسیدن هر سیگنالی وضعیت ریپو را خراب کند؛ مثلاً ویرایشی که تست هدف را پاس می‌کند ولی تستی را که قبلاً

TurnCost: Turns, Not Observations: Cache-Aware Loop Engineering for Coding Agents

هزینه‌ی ایجنت کدنویسی را تعداد نوبت‌ها تعیین می‌کند، نه اندازه‌ی خروجی ابزارها

کارهای بهینه‌سازی ایجنت کدنویسی بیشتر خروجی ابزارها را فشرده می‌کنند یا بعضی نوبت‌ها را به مدل ارزان‌تر می‌فرستند. انگیزه‌شان معمولاً لاگ‌های بزرگ بیلد است، اما معلوم نیست این بهینه‌سازی‌ها در عمل چقدر جا برای صرفه‌جویی دارند. نویسنده‌ها طراحی این حلقه، شامل م

Harness^2: Recursive Agent Harnessing for an Open World

هارنس‌سازی بازگشتی برای جهان باز: بهبود هارنس ایجنت بدون تأییدکننده‌ی مرجع

توانایی ایجنت‌ها نه فقط به مدل بلکه به هارنس اجرایی‌شان هم بستگی دارد، و خودبهبودی بازگشتی راهی برای تکامل خودکار این هارنس‌هاست. اما در جهان باز دو چالش هست: تسک‌ها در زمان طراحی هارنس دیده نشده‌اند و تأییدکننده‌ی مرجعی برای هدایت ویرایش‌های آنلاین هارنس ندار

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

Returning to Development States: When Full Sandbox Snapshots Help Coding Agents

بازگشت به وضعیت‌های توسعه: اسنپ‌شات کامل سندباکس کِی به ایجنت‌های کدنویسی کمک می‌کند

ایجنت‌های کدنویسی اغلب پیش از شکست پیشرفت مفیدی دارند، اما تلاش دوباره از صفر وضعیت ماشینی را که در طول کار ساخته شده دور می‌ریزد. پس بازیابی از شکست یک مسئله‌ی جست‌وجوی جالب است: اگر وضعیت‌های میانی محیط پیشرفت معنادار را حفظ کنند، بازگرداندن و انشعاب از آن‌ه

Not All Correct Fixes Run Alike: An Empirical Study of Patch Performance in Repository-Level Issue Resolution

همه‌ی پچ‌های درست یکسان اجرا نمی‌شوند: کارایی زمان اجرای پچ‌های ایجنت‌ها در رفع مسئله‌های ریپو

بنچمارک‌هایی مثل SWE-bench پچ‌ها را فقط با پاس شدن تست‌های درستی ارزیابی می‌کنند و کارایی زمان اجرای پچ‌های درست تقریباً بررسی نشده است؛ دو پچ ممکن است هر دو تست را پاس کنند ولی یکی ده برابر کندتر باشد. طراحی بار کاری کارایی برای هر نمونه گران است. نویسنده‌ها

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

SWE-Critix: Post-Training Generalist Verifiers for Assessing Coding-Agent Trajectories

پس‌آموزش تأییدکننده‌های عمومی برای داوری مسیرهای ایجنت کدنویسی، همراه با توضیح متنی

ایجنت‌های کدنویسی بیشتر برای کارهای سرتاسری مهندسی نرم‌افزار به کار می‌روند، جایی که اغلب داوری آماده که معیار موفقیت را تعریف کند وجود ندارد. پس تأییدکننده‌ای لازم است که رفتار ایجنت را قابل اعتماد داوری و توضیح دهد. اما مسیرهای اجرا می‌توانند خیلی طولانی باش

Quality, Not Just Outcome: A Structural Scoring Framework for Selecting Coding-Agent Trajectories for Supervised Fine-Tuning

کیفیت، نه فقط نتیجه: امتیازدهی ساختاری به مسیرهای ایجنت کدنویسی برای انتخاب داده‌ی آموزشی

ایجنت‌های کدنویسی باز معمولاً با آموزش نظارت‌شده روی مسیرهایی آموزش می‌بینند که پچ نهایی‌شان تست‌ها را پاس کرده است. این فیلتر کیفیت فرایند را نادیده می‌گیرد: مسیری که در نهایت موفق شده ممکن است الگوهای ناکارآمد داشته باشد، مثل بررسی تکراری فایل‌ها، استفاده‌ی

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

TestSuiteBench: Coding Agents Struggle to Generate Strong Test Suites from Specifications

ایجنت‌های کدنویسی در ساختن مجموعه‌ی تست قوی از روی مشخصات ضعیف‌اند: نرم‌افزاری می‌سازند که نمی‌توانند تأییدش کنند

ایجنت‌های کدنویسی برای ساختن پروژه‌های نرم‌افزاری بزرگ به کار می‌روند و بنچمارک‌های تولید کد هم تا سطح برنامه‌ی کامل بزرگ شده‌اند، اما بنچمارک‌های تولید تست هنوز به تابع‌های تکی یا رفع باگ محدودند. تولید مجموعه‌ی تست کامل برای نرم‌افزار پیچیده از صفر بررسی نشد

SWE-Duel: Towards a Self-Scaling Arena for Coding Agents

میدان دوئل مهندسی نرم‌افزار: بنچمارکی خودمقیاس که در آن ایجنت‌های کدنویسی برای هم باگ می‌کارند و رفع می‌کنند

بنچمارک‌های ثابت کدنویسی در لحظه‌ی انتشار منجمد می‌شوند؛ با گذر زمان تسک‌هایشان به داده‌ی آموزشی نشت می‌کند و ایجنت‌های قوی‌تر اشباعشان می‌کنند. نویسنده‌ها استدلال می‌کنند بنچمارک باید خودمقیاس باشد: تسک‌ها و داورها در زمان ارزیابی ساخته شوند تا چیزی از قبل بر

Cadence: Strategic Guidance for Coding Agents

کیدنس: راهنمایی راهبردی برای ایجنت‌های کدنویسی با پایشی که بسامد بازرسی را با سلامت اجرا تنظیم می‌کند

پایشگرهای زمان اجرا با بررسی مسیر ایجنت کدنویسی و دادن راهنمایی اصلاحی هنگام رفتار نادرست، قابلیت اطمینان را بالا می‌برند. اما یا در فاصله‌های ثابت بازرسی می‌کنند، که هنگام خطای جدی دیر می‌رسند و در اجرای سالم سربار بی‌فایده دارند، یا به قاعده‌های اکتشافی سخت

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

AgentEvolver: System-Wide Self-Evolution Through Task Execution

ایجنت‌اوولور: خودتکاملی سراسری سیستم از طریق اجرای تسک، با مدل پایه‌ی ثابت

یک ایجنت می‌تواند تسکی را کامل کند بدون این‌که روش کارش بهتر شود. تبدیل تجربه‌ی تسک به توانایی قابل استفاده‌ی مجدد نیاز دارد جزء تغییرکرده به ارزیابی و استفاده‌ی بعدی‌اش وصل شود. سیستم AgentEvolver برای توسعه‌ی توانایی حین اجرای تسک ساخته شده و مدل پایه را ثاب

Chronos Enables Code Agents to Reason over Software Evolution

کرونوس: استدلال ایجنت‌های کد روی تاریخچه‌ی تکامل نرم‌افزار با گراف درخواست‌های ادغام گذشته

درخواست‌های ادغام تاریخی تصمیم‌های طراحی، قیدهای سازگاری و الگوهای پیاده‌سازی پشت وضعیت فعلی کد را ثبت می‌کنند. تجربه‌ی مرتبط با یک تسک تازه ممکن است در چند تغییر مرتبط پخش باشد که توضیحاتشان روی نگرانی‌های متفاوتی تأکید دارند، پس جست‌وجوی معنایی ساده آن‌ها را

Code Understanding is a Bottleneck for Coding Agents

فهم کد گلوگاه ایجنت‌های کدنویسی است، نه فقط ویرایش آن

بنچمارک‌های مخزن‌محور مثل SWE-bench اغلب فرض می‌کنند تعداد خطوط ویرایش‌شده سختی تسک را پیش‌بینی می‌کند، اما کنترل ضعیف این داده‌ها روی نوع کد و تسک باعث می‌شود نتوان فهمید کدام توانایی واقعاً خطاهای ایجنت را تعیین می‌کند. مثلاً یک اصلاح یک‌خطی ممکن است نیاز به

Before They Can Solve: Predicting Post-Training Coding-Agent Performance from Base Models

پیش از آن‌که بتوانند حل کنند: پیش‌بینی کارایی ایجنت کدنویسی پس از آموزش، از روی مدل پایه

کدام نسخه‌ی پایه ارزش یک دور گران پس‌آموزش ایجنتی را دارد؟ معیار سرتاسری pass@K می‌سنجد آیا رفتار موفق در توزیع مدل پایه هست، اما برای کدنویسی ایجنتی مناسب نیست، چون بسیاری از مدل‌های پایه حتی نمی‌توانند فراخوانی ابزار درست‌قالب تولید کنند. تسک‌های تک‌مرحله‌ای

RobotWorld: Benchmarking Multimodal Agents for Robot Use Across Diverse Tasks and Embodiments

ربات‌ورلد: سنجش ایجنت‌های چندوجهی در به‌کارگیری ربات در تسک‌ها و بدنه‌های متنوع

ایجنت‌های همه‌منظوره بیش از پیش کد می‌نویسند، از ابزار استفاده می‌کنند و کارهای دیجیتال پیچیده انجام می‌دهند. سؤال این است که این توانایی‌ها تا کجا به دنیای فیزیکی منتقل می‌شوند، یعنی آیا ایجنت می‌تواند دستور و مشاهده را از طریق رابط‌های ربات به اجرای فیزیکی ت

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

Large-scale Repository Engineering via Agent-Native Reusable Code Primitives

مهندسی مخزن در مقیاس بزرگ با اجزای کد بومی ایجنت و قابل استفاده‌ی مجدد

مدل‌های زبانی با محیط توسعه، تولید کد را به ساخت در مقیاس مخزن رسانده‌اند، اما ساخت یک مخزن کامل هنوز سخت است چون ماژول‌ها، رابط‌ها، پیکربندی‌ها، تست‌ها و وابستگی‌ها باید با هم کار کنند. «اجزای کد» قطعه‌های اجرایی قابل استفاده‌ی مجدد با قرارداد رابط، بستار واب

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

Acquiring and Verifying Repository Norms for Coding Agents

ری‌پونورم: کسب و تأیید هنجارهای مخزن برای ایجنت‌های کدنویسی

تغییرهایی که ایجنت‌های کدنویسی تولید می‌کنند ممکن است تست‌های کارکردی را پاس کنند اما الزام‌های مشارکت در مخزن را برآورده نکنند؛ مثلاً به‌روزرسانی فایل تغییرات، افزودن تست برای هر ویژگی تازه یا قالب خاص پیام کامیت. پیروی از هنجارهای ویژه‌ی مخزن نیاز دارد راهنم

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 Did the Agent Actually Do? Evidence-Grounded Oversight for Long-Horizon Agents

ایجنت واقعاً چه کرد؟ نظارت مبتنی بر شواهد برای ایجنت‌های بلندمدت

با سپردن تسک‌های طولانی به ایجنت‌ها، کاربران از تصمیم‌گیری تک‌تک به نظارت بر اجرای مستقل می‌رسند. اما حجم فعالیت ایجنت و پراکندگی شواهد پشتیبان تشخیص این‌که کدام تصمیم‌ها ارزش تأیید کاربر را دارند سخت می‌کند؛ مثلاً ایجنت در میان صدها گام بی‌صدا یک نسخه‌ی کتابخ

MemTrace: State-Consistent Memory for Long-Horizon Coding Agents

مم‌تریس: حافظه‌ی سازگار با وضعیت برای ایجنت‌های کدنویسی بلندمدت

وقتی ایجنت‌های کدنویسی تسک‌های تکامل نرم‌افزار در چند فایل و مرحله را انجام می‌دهند، دو چالش به هم گره‌خورده پیش می‌آید: تاریخچه‌ی انباشته بودجه‌ی کانتکست را فشار می‌دهد، و تغییرات مخزن می‌تواند شواهد اجرای قبلی را بی‌اعتبار کند؛ مثلاً نتیجه‌ی تستی که پیش از و

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

Persistent Context Graphs for Efficient Memory Compaction in LLM Agents

گراف‌های کانتکست پایدار برای فشرده‌سازی کارآمد حافظه در ایجنت‌ها

تاریخچه‌ی رو به رشد تعامل ایجنت‌ها فشرده‌سازی حافظه را برای ماندن در پنجره‌ی کانتکست و کاهش هزینه‌ی پیش‌پرکردن ضروری می‌کند. روش‌های موجود تاریخچه را خلاصه یا حافظه‌ی کلید و مقدار را فشرده می‌کنند و اغلب محاسبه‌ی مدل اضافه می‌کنند. یک درخواست جدید کاربر می‌توا

Scale and Selection: What Makes Automatic Harness Evolution Work for Visual-Interface Robot Agents

مقیاس و انتخاب: چه چیزی تکامل خودکار هارنس را برای ایجنت‌های رباتیک با رابط بصری کارآمد می‌کند

وقتی یک ایجنت کدنویسی آماده مستقیم به عنوان سیاست ربات به کار می‌رود، یعنی یک رابط سه‌بعدی مرورگری را با اسکرین‌شات می‌بیند و با چند ابزار یک گیره‌ی مجازی هدف را جابه‌جا می‌کند، هارنس آن، یعنی پرامپت‌ها، ابزارها و قاعده‌های کنترل، تا حد زیادی موفقیت را تعیین م

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

Coding Agent Memory Post-training: Unlocking the Memory Potential of Pre-trained File Operations for Long-Horizon Tasks via Reinforcement Learning

پس‌آموزش حافظه‌ی ایجنت کدنویسی: آزاد کردن توان حافظه‌ای عملیات فایل با یادگیری تقویتی

ایجنت‌های زبانی روزبه‌روز بیشتر تسک‌هایی را انجام می‌دهند که تاریخچه‌ی تعاملشان از کانتکست فعال مدل بیشتر است. کارهای اخیر با یادگیری تقویتی کنترل حافظه را بخشی از سیاست کرده‌اند، اما اغلب به ابزارهای حافظه‌ی از پیش تعریف‌شده در محیط‌های ویژه‌ی دامنه با افق کو

Opera: A Verbal Critic Framework for Long-horizon Coding Agents

اپرا: چارچوب منتقد کلامی برای ایجنت‌های کدنویسی بلندمدت که اصلاح‌ها را تا حل مشکل دنبال می‌کند

ایجنت‌های کدنویسی بلندمدت به اصلاح به‌موقع نیاز دارند، اما بازخورد وقتی کار جاری را اشتباه ارزیابی کند یا به مشکل اصلی نپردازد، بی‌اثر یا حتی مضر است. منتقدهای موجود روی ارزیابی مسیر و تولید بازخورد تمرکز دارند اما به ندرت دنبال می‌کنند پس از رساندن بازخورد چه

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

VibeMemBench: Evaluating Memory Systems for Coding Agents on Real Repository Coding Tasks

وایب‌مم‌بنچ: ارزیابی سیستم‌های حافظه‌ی ایجنت‌های کدنویسی روی تسک‌های واقعی مخزن

ایجنت‌های کدنویسی روی تسک‌های واقعی مخزن کار می‌کنند و سیستم‌های حافظه‌ی پایدار قول استفاده‌ی مجدد از تجربه بین تسک‌ها را می‌دهند. اما ارزیابی‌های موجود نشان نمی‌دهند این سیستم‌ها کار اجرایی روی مخزن را بهتر می‌کنند یا نه: بنچمارک‌های مخزن تغییر کد را می‌سنجند

An Empirical Study of Harness Design for Coding Agents

مطالعه‌ی تجربی طراحی هارنس برای ایجنت‌های کدنویسی: کدام جزء واقعاً مهم است؟

هارنس‌های کدنویسی شکل می‌دهند ایجنت‌ها چطور توانایی مدل را به کارایی بلندمدت مهندسی نرم‌افزار تبدیل کنند، اما کارهای موجود معمولاً هارنس‌ها را سیستم‌های یکپارچه ارزیابی می‌کنند و اثربخشی تک‌تک اجزا نامعلوم می‌ماند. نویسنده‌ها یک هارنس کدنویسی سبک با حلقه‌ی اجر

SWE-Bench Pro Verified: A Reliable Benchmark for Software Engineering Agents

نسخه‌ی تأییدشده‌ی SWE-Bench Pro: بنچمارک قابل اعتماد برای ایجنت‌های مهندسی نرم‌افزار

بنچمارک SWE-Bench Pro استاندارد ارزیابی ایجنت‌های مهندسی نرم‌افزار روی تسک‌های دشوار سطح مخزن شده است، اما ارزیابی‌اش دو منبع عدم اطمینان دارد: تقلب در پاداش از طریق نشت راه‌حل طلایی یا اطلاعات پنهان ارزیابی، مثلاً خواندن پاسخ از تاریخچه‌ی گیت؛ و مشکلات کیفیت

Multi-Harness Reinforcement Learning for Coding Agents: Training Gains and Harness Dependence

یادگیری تقویتی چندهارنسی برای ایجنت‌های کدنویسی: سود آموزش در برابر وابستگی به هارنس

سیستم‌های اخیر ایجنت‌های کدنویسی را با یادگیری تقویتی روی مسیرهای جمع‌آوری‌شده از چند هارنس اجرا آموزش می‌دهند. اما بهبود زیر هارنس‌های آموزشی این پرسش را باز می‌گذارد که آیا به رابط‌های دیده‌نشده منتقل می‌شود و چطور به نرمال‌سازی پاداش وابسته است. نویسنده‌ها

Delivery, Not Storage: Cue-Anchored Working Memory as a Harness Property for Coding Agents

تحویل، نه ذخیره: حافظه‌ی کاری لنگرشده به نشانه به عنوان ویژگی هارنس برای ایجنت‌های کدنویسی

ایجنت‌های کدنویسی فقط یک نوع حافظه دارند: اسناد. فایل‌های دستورالعمل، مصنوعات برنامه و پوشه‌های حافظه‌ی خودنوشته آگاهانه نوشته و آگاهانه بازیابی می‌شوند و ایجنت باید خودش تصمیم بگیرد بنویسد و بخواند. اما تخصص انسانی روی لایه‌ی دومی هم کار می‌کند که هرگز نوشته

Measuring Harness-Induced Belief Divergence in Multi-Step LLM Agents

سنجش واگرایی باور ناشی از هارنس در ایجنت‌های چندمرحله‌ای

هارنس اجرا تعیین می‌کند مدل چطور محیط را ببیند، روی آن عمل کند و نتیجه را بسنجد. نویسنده‌ها نشان می‌دهند هارنس می‌تواند باورهای در حال تحول ایجنت درباره‌ی محیط را هم شکل دهد، حتی وقتی تسک، محیط و مدل پایه ثابت‌اند؛ مثلاً هارنسی که خروجی تست را کوتاه می‌کند ممک

SWE-MeM: Learning Adaptive Memory Management for Long-Horizon Coding Agents

سوئی-مم: یادگیری مدیریت تطبیقی حافظه برای ایجنت‌های کدنویسی بلندمدت

ایجنت‌های مهندسی نرم‌افزار بلندمدت باید تاریخچه‌ی طولانی و پرنویز تعامل را با بودجه‌ی محدود کانتکست مدیریت کنند. روش‌های موجود به گردش‌کارهای فشرده‌سازی ایستا تکیه دارند یا قیدهای سختی بر زمان و دانه‌بندی فشرده‌سازی می‌گذارند، و مدیریت حافظه و حل مشکل را با هم