1. Agentic Batch Changes

推荐理由： 这篇展示了一个很具体的 software factory 形态：不是简单地把同一个 coding agent 并行启动几百次，而是在更外层增加一个 coordinator，让它先理解整个代码空间、决定每类修改该用确定性程序还是 coding agent，再通过成熟的批量变更执行引擎分阶段 rollout。它把“大规模代码修改”从单仓库 Agent 能力问题，转成了 orchestration、verification 和 rollout 问题。

核心要点：

  • 外层 coordinator 不应该默认所有任务都交给 coding agent。 Agentic Batch Changes 先借助 Deep Search 理解涉及的仓库和差异；可确定的修改会生成脚本或程序批量执行，只有需要逐仓库判断的部分才委托 Claude Code 或 Codex，并通过 Sourcegraph MCP 提供上下文。这里的关键不是更多 Agent，而是根据任务结构选择最低不确定性的执行方式。
  • 大规模变更需要 canary 和分阶段 rollout，而不是一次性 fan-out。 Agent 先制定计划，在一个仓库上生成和检查变更，再逐步扩展到更多目标；执行过程中可以加入 tests、linters 等 verifier，并在需要人类决策时暂停。Sourcegraph 过去的 Batch Changes 已有单次超过 2,200 个 changeset 的经验，Agentic Batch Changes 是在这套执行底座之上增加规划和判断能力。
  • PR 创建之后仍属于 Agent loop。 CI 失败后，系统可以获取日志、修改计划，或再次委托 coding agent 修复；遇到 merge conflict 也可触发 Agent 处理。换句话说，software factory 的执行单位不是“生成一个 diff”，而是 plan → canary → rollout → CI feedback → repair → human approval 的完整变更生命周期。

核心启示：规模化 coding agent 更像一个分层编译/执行系统：outer-loop coordinator 负责切分与选策略，deterministic automation 处理规则明确的部分，inner-loop coding agents 处理局部不确定性，而 rollout、CI 和 human gate 构成独立的控制面。

2. The Missing Complement: State-Conditioned Minimal Sufficient Evidence for Coding Agents

推荐理由： 这篇把 context engineering 中一个很常见但经常被忽略的问题说清楚了：coding agent 运行到一半时，它已经读过大量“最相关”的文件，此时继续按 similarity 检索，容易把预算浪费在同一事实的多个近似版本上。真正需要检索的是 当前决策还缺什么证据。因此作者把 retrieval 从 passage ranking 改写成 state-conditioned 的最小充分证据集合构造问题。

核心要点：

  • 相关性不是充分性。 SERBench 从 45 个仓库采集 500 个 held-out Agent states，不只问某段代码与 issue 是否相似，而是记录 Agent 已经看过什么，并要求返回的 evidence set 覆盖当前下一步决策所需要的所有事实。评价单位从“单个 passage 是否 relevant”升级成“整个证据集合是否 sufficient”。
  • MSS-Complement 把 retrieval 做成 set construction。 方法先提出一个联合充分的候选集合，再显式寻找缺失的 complement，最终返回 4–8 个完整 source units，并把总上下文限制在 6,144 tokens。固定配置下，5 个 evidence items 的 complete-set recovery 为 73.0%，8 个时为 80.6%；Qwen3 embedding + reranking 分别为 61.4% 和 72.4%。相似度匹配的控制组只有 66.6%，说明增益主要来自“补齐集合”这一策略。
  • 少掉一个必要证据组会明显伤害 Agent 决策。 在两个 executor 上，从完整 evidence set 中移除一个必需 evidence group，repair-localization precision 分别下降 12.3 和 11.1 个百分点；在 AMA-Bench 上，该方法还用小 76.2% 的 answer prompt 获得比 benchmark memory agent 高 2.08 个百分点的准确率。Context engineering 的目标因此不应只是“检索更多相关内容”，而是以最小 token 成本补齐当前状态的证据缺口。

核心启示：面向长时程 Agent 的 retrieval 应从 query → top-k similar chunks 转向 agent state → missing facts → minimal sufficient evidence set。真正值得优化的不是 context 的相关性，而是下一步决策的证据完备度。