1. A coding agent opened 306 PRs on our repos since April. 289 merged.

推荐理由： 这篇不是 benchmark，而是一个 background coding agent 在两个真实生产仓库里连续 19 周运行后的数据复盘。最值得看的不是 94% 的 merge rate 本身，而是作者主动解释了为什么这个数字这么高：任务在进入 Agent 之前已经被结构化，失败会先被 sandbox/test/self-review 消化，最终 merge 权仍然留在人手里。 它把 software factory 的重点从“模型写代码有多强”拉回到整条交付流水线。

核心要点：

  • 306 个 PR 中 289 个合并，但这是一个 best-case dataset。 统计窗口是 2026-04-27 到 2026-09-09：306 个 PR、289 merged、14 closed without merge、3 still open。作者明确说明两个仓库都是自家生产代码，而且写 ticket、调 Agent、review PR 的也是 Agent 的开发者，因此不能把 94% 直接外推成通用 coding-agent 成功率。
  • 高合并率主要由 harness/workflow 决定。 每个 PR 都必须人工 review，Agent 没有 merge 权；ticket 会提前写 acceptance criteria、reproduction steps 和 file pointers；测试在 sandbox 中先跑，失败会回到同一 branch 继续修；进入人工 review 前，Agent 还会先对自己的 diff 做一次 self-review。
  • 真实瓶颈往往不是“代码写坏了”，而是“解决了错误的问题”。 被关闭的 PR 更多来自实现方向不合适、任务被替代或 ticket 过期，而不是明显坏代码。作者认为 vague ticket、超大 refactor 和强架构 taste 的任务更容易需要人工接管；同时 review time 本身会成为新的 throughput bottleneck，因此 ticket size 直接决定一个 software factory 能否持续运转。

核心启示：生产 coding agent 的成功率是 specification → sandbox verification → self-review → human merge gate 的系统指标，而不是模型指标。随着代码生成变便宜，任务规格和 review capacity 会更快成为瓶颈。

2. The Router Within: Eliciting Native Skill Routing from a Frozen LLM

推荐理由： Agent Skill 库变大以后，一个越来越现实的问题是：到底应该把所有 Skill 的 metadata 预先塞进 context，让模型自己挑，还是先用 embedding/retriever 在模型外做检索？这篇提出第三种方案：直接读取执行 Agent 自己的 hidden states 做 Skill routing。它把“Skill 发现”从额外的 RAG 子系统重新拉回到 Agent runtime 本身，而且支持在执行到一半、看到 tool result 后再触发新 Skill。

核心要点：

  • Progressive disclosure 和外部 retrieval 各有结构性问题。 前者需要把 Skill 名称/描述持续放进 context，Skill 数量增长后会消耗 token 并分散注意力；后者虽然更可扩展，但路由判断由一个独立 retriever 完成，和真正执行任务的 Agent 对当前 trajectory 的理解并不完全一致。
  • Gavel 只训练两个线性投影，基础 LLM 保持冻结。 Skill 安装时先用 Agent 模型生成并缓存中间层表示；运行时的 glance 阶段用当前 task/trajectory hidden states 扫描 Skill 库得到 shortlist，verdict 阶段再让同一个 Agent 模型对候选 Skill 做更完整的 likelihood + yes/no 判断。这样新增 Skill 只需要索引，不需要重新训练整个 router。
  • 最大的收益出现在 mid-trajectory routing。 论文在 Qwen3-32B 上报告：相对 retrieve-and-rerank baseline，written-task routing 最多提升 13.4 个百分点；当 Skill 需求是在 tool evidence、Agent plan 或错误恢复过程中才出现时，最多提升 21.9 个百分点。在端到端 Skill-Use harness 中，progressive disclosure 的正确 Skill trigger rate 为 1.1%，加入 Gavel 后达到 90.9%。不过主要实验集中在 Qwen3 系列，SkillTraj 也是模拟 trajectory，因此仍需要真实生产 Agent 的进一步验证。

核心启示：Skill routing 不一定要变成独立 RAG 服务。未来 harness 可以把 Skill library 当成模型外存储，但让执行模型自己的内部表示负责动态检索，从而实现 large skill library + small active context + mid-trajectory disclosure。