041 · 编译器的层级，也是 Agent 的合理分工吗？
EdgeKernelBench 用统一 IR 评测异构边缘设备上的 kernel 生成；LEKA 按表示层分工。结果支持这套系统有效，但编译器边界是否恰好对应推理边界，仍是开放问题。
Evaluation
AI Native Digest 2026-10-26
两篇 10 月 22 日的新论文：DoorDash 用多 Agent、实时业务状态和确定性质量门禁清理技术债；另一项实证研究发现过期 AGENTS.md/CLAUDE.md 会压过现有代码，明确来源优先级可显著减少错误修改。
040 · 没匹配预设模式，就算没有完成优化吗？
PatternBench 同时测量加速与指定变换的结构证据。它让优化评测更可解释，也留下一个边界：检查器认不出的代码，究竟是没有完成目标，还是选择了另一条有效路线？
039 · 电路通过验证，为什么研究主张仍可能不成立？
八项 EDA Agent 研究尝试保留了成功与失败：正确电路不一定来自通用优化算法，精确求解代理目标也不一定改善物理结果。论文追问，当探索变便宜，什么证据才足以支持研究贡献？
035 · 成功经验，为什么反而让 kernel 变慢？
MetaKernelBench 只传递文字经验，让同一模型在另一种 DSL 中重新解同一道 kernel 题。它提醒我们：源实现成功，不等于经验对接收者有益；经验也可能把一次搜索的局限带到下一次。
033 · 程序结构帮助生成，为何未必帮助规划？
PRISM 把 AST、CFG、DFG 编码后注入模型，用于 HLS pragma 优化。论文最值得讨论的不是结构信息是否有用，而是它为何可能改善代码生成，却未必改善规划；角色差异的实验又能支持多强的解释。
032 · 专家把设计告诉 Agent，剩下的就只是实现吗？
D2K-Bench 用有无专家指导的配对实验，追问高效 GPU kernel 的困难究竟在设计发现还是设计实现。值得思考的是：提供设计是否真的隔离了实现能力，以及遵循设计与实现目标是否是一回事。
030 · 只有 0.48% 通过，是模型失败还是评测失效？
SecTB-RTL 的 1,860 次调用只有 9 次通过执行端语义校验，但生成约定遗漏了执行端的复位规则。作者因此保留失败记录，却不报告提示词效果：完整分母也救不了失配的测量工具。
029 · 规则能执行，是否就忠实表达了政策？
NOMOS 把书面政策编译为确定性工具调用门控。它能排除自阻塞、参数错绑等结构缺陷，却仍可能把具体授权弱化为‘用户要求过某种操作’。
028 · Agent-Assisted 胜过 Full-Agent，究竟是谁在优化？
论文用评测 harness、性能剖析、工作负载分区和人工筛选约束 GPU kernel Agent；五类算子均优于 Full-Agent，但对照尚不能拆分 harness、专家引导与搜索预算各自的贡献。