1. OpenCodeReview: Determinism over Non-Determinism for Cost-Effective Agent-Based Code Review
- 作者/来源： Zhengfeng Li、Lei Zhang、Xianwei Wu、Zhengqi Zhuang、Yingjie Xu、Boge Wang、Shaofei Zhu、Chuan Wang、Guoping Rong
- 发布日期： 2026-08-10
- arXiv： https://arxiv.org/abs/2608.09290
- AlphaXiv Blog/Overview： https://www.alphaxiv.org/abs/2608.09290
- 代码： https://github.com/alibaba/open-code-review
推荐理由： 这篇最值得看的不是“又一个 code review agent”，而是它明确提出 deterministic engineering for uncertain agents：不要默认给 agent 最大自由度，而是在高价值边界主动注入确定性。对于 coding agent / agent harness，这比单纯继续扩展 bash、MCP 和上下文窗口更接近可生产的工程思路。
核心要点：
- OpenCodeReview 在三个位置收紧自由度：Rule-Guided Dispatch 确定性决定审查文件和规则；Grounded File Review 只暴露为 code review 设计的有界工具，并按文件并行 SubAgent；避免自由探索导致 context pollution 和 token snowball。
- 最后的 Independent Reflection 不是让 reviewer 自我反思，而是让一个只看到 diff 的独立 reflector 做 falsification-only 过滤。这个信息不对称设计的目的，是减少“同一个上下文、同一个偏差”造成的自我强化 hallucination。
- 在 AACR-Bench 的 200 个真实 PR、10 种语言、1,505 条专家验证评论上，跨 6 个 LLM backend，最佳 SEM-F1 相比同模型 Claude Code 达到 2.17×（25.10% vs. 11.57%），同时 token 消耗降低 5–15×。结论很直接：agent 系统的竞争力不只来自更强模型，也来自更小、更确定的 action space。
2. SiriusDeliver: Automating Data Warehouse Delivery at Tencent
- 作者/来源： Haining Xie、Xiaokai Zhou、Jiaming Yang、Siqi Shen、Ziwei Wang、Yifeng Zheng、Tengyue Xu、Yipeng Shi、Zefang Zong、Yang Li、Peng Chen、Jie Jiang、Debiao He、Xiao Yan、Jiawei Jiang / Tencent
- 发布日期： 2026-08-10
- arXiv： https://arxiv.org/abs/2608.09185
- AlphaXiv Blog/Overview： https://www.alphaxiv.org/abs/2608.09185
推荐理由： 这是很少见的 production-scale agentic workflow 案例。论文不把“生成 SQL”当作最终目标，而是把 context retrieval、依赖解析、workflow 配置、artifact 验证、平台提交、失败修复和经验沉淀做成一个完整交付闭环。它更接近 software factory，而不是一个会写代码的聊天框。
核心要点：
- SiriusDeliver 的核心不是单一 planner，而是三层闭环：hierarchical delivery agent 编排 scenario/context/artifact/platform skills；artifact lifecycle control 在提交前后验证和修复产物；trace-driven skill evolution 从成功与失败轨迹中持续更新可复用 skill。
- 两个月生产部署覆盖 6 个业务团队、4 类 warehouse task，服务 3,600 MAU、18,240 次 delivery session，达到 87.2% end-to-end success rate 和 73.5% autonomous submission rate。离线实验中，相比最强 skill-augmented baseline，成功率从 71.5% 提升到 86.0%，同时 token 消耗下降 30%。
- 一个月 A/B test 中，median delivery time 从 228 分钟降到 23 分钟，工程师净投入从 95 分钟降到 11 分钟，首次可执行 artifact 从 44 分钟降到 2.6 分钟，人工介入率从 100% 降到 21%，而最终成功率仍基本持平（97.6% vs. 98.1%）。最重要的启示是：AI-native 软件交付的杠杆点往往不在代码生成，而在跨系统 orchestration、artifact assurance 和可持续的 skill evolution。