代码智能体不再随口追问：先筛出会改变行为的澄清问题，四个智能体上F1领先13.88个百分点
核心概要
代码智能体常把没写清的需求按自己的假设补全，生成看似正确、行为却非用户本意的代码，而事后纠正代价越来越高。CONTRA把澄清拆成两步：先广泛生成候选问题，再用语义过滤和双答案程序执行对比，只留下会稳定改变行为的提问，并结合交互历史决定继续问还是停止。在ClarifyCodeBench上，它与四个代码智能体配合取得最高F1，宏平均比最佳基线高13.88个百分点。
深度剖析
代码生成中的澄清从“有问题就问”改为“只问会改变程序行为的问题”，智能体不再用自身假设悄悄填补未写明的需求。 此前的做法难以在找出关键澄清问题与避免多余提问之间取得平衡，多余的问题会打断开发者、拖慢开发。 在ClarifyCodeBench上，CONTRA与全部四个代码智能体配合都取得最高F1，宏平均F1比最佳基线高13.88个百分点。
候选问题先被广泛生成，再按是否与所需行为相关、是否已被需求本身解决来过滤。 保留下来的每个问题都要经过行为层面的检验，而不是靠问题措辞或模型自评来判断重要性。 对每个剩余问题，方法分别以两个看似合理的答案生成程序，并在共享输入上检查是否出现稳定的行为差异，只有产生稳定差异的问题才算合格。
合格问题之后由交互历史决定是继续追问还是停止提问。 在相同LLM和评估协议下，CONTRA的澄清召回率和F1都高于Claude Code与OpenHands这两个编码工具链。 该方法被实现为Claude Code插件，把选择性澄清接入日常开发流程。
启示与展望
报道依据的是摘要层面的信息，未覆盖完整论文。已展示的范围是ClarifyCodeBench基准上的评测：CONTRA与四个代码智能体配合取得最高F1，宏平均比最佳基线高13.88个百分点；在相同LLM和评估协议下，其澄清召回率与F1高于Claude Code和OpenHands。方法以Claude Code插件形式实现，用于把选择性澄清接入日常开发。
摘要未给出各智能体上的分项数值，也未说明基准之外场景的表现。13.88个百分点是宏平均F1的差距，其统计稳定性与在不同LLM下的波动情况尚不清楚。