1. Self-Evolving Coding Agents
- 作者/来源： Hao Zhou、Haichuan Hu、Ye Shang、Quanjun Zhang
- 发布日期： 2026-08-04
- arXiv： https://arxiv.org/abs/2608.03392
- AlphaXiv： https://www.alphaxiv.org/abs/2608.03392
推荐理由： 这篇综述把 coding agent 的“自我进化”从模糊概念拆成可实现的系统设计空间，适合用来规划 agent memory、skills、harness 和 workflow 的长期演进路线。
核心要点：
- 自我进化不只意味着更新模型参数，还可以发生在 agent framework、memory、skills/tools、模型侧组件，以及多 agent workflow 或拓扑结构上。
- 论文从两个额外维度组织现有方法：进化发生在任务中、任务后还是分阶段进行；驱动信号来自任务结果、编译与测试等环境反馈，还是历史执行轨迹。
- 评测不能只看一次任务是否通过，还应覆盖代码正确性、可维护性、鲁棒性、成本、安全性和跨仓库泛化，并警惕反馈噪声与 benchmark overfitting。
2. AgenTag: Attribution of AI Coding Agents from Behavioral Fingerprints
- 作者/来源： Taher A. Ghaleb
- 发布日期： 2026-08-02
- arXiv： https://arxiv.org/abs/2608.00966
- AlphaXiv： https://www.alphaxiv.org/abs/2608.00966
推荐理由： 当 coding agent 开始以开发者账号提交 PR，团队需要新的 provenance 和治理机制。这项研究说明 agent 身份可以从开发行为中被识别，而不必依赖主动声明。
核心要点：
- AgenTag 在 AIDev 数据集上评测，覆盖五种 AI coding agent 生成的 33,580 个 PR，以及 6,618 个人工 PR，并同时使用文本、行为和代码特征。
- 系统识别具体 agent 的 weighted F1 为 0.96，区分 AI 与人工 PR 的 balanced F1 为 0.89，对未知 agent 的开放集检测 AUC 为 0.84。
- 主要识别信号来自 PR 描述和 commit message，代码 diff 的贡献很小；即使移除显式的 AI 标记，agent 的潜在表达风格仍然可被检测。