符号执行工具 CrossHair 在真实 Python Web 应用上几乎跑不动，因为代码没有契约，调用数据库的部分也无法符号化。一个把 AI 编码智能体与 CrossHair 组合起来的流水线自动为函数写契约、为数据库合成符号模型，在 11 个开源应用、1,156,044 行代码上把可执行函数比例从 4.5% 提高到 81%，并找出 221 个经测试复现的缺陷。这些缺陷多为输入域边角情况，其中一部分是同模型直接阅读代码所遗漏的。
Plannotator 是一个本地、基于浏览器的评审界面，面向 Claude Code、Codex、Copilot CLI、Gemini CLI 等 AI 编码智能体。智能体提出决策、计划或 HTML 产物时，界面在浏览器中打开，用户批注、评论并把反馈发回智能体执行；新增的 Plannotator Inbox 把多个智能体的消息、问题和文件汇到一个本地窗口，用户回复时不必让会话保持打开。
编码智能体通过工具调用改动代码，但调用本身不携带意图，权限规则、日志和LLM监控都只能看命令文本或事后效果。Episteme把“类型+理由”的意图声明变成每次工具调用的必填项，由harness记录实际效果并比对声明。在只能靠作弊通过的ImpossibleBench上，两个开放权重模型共49次作弊运行中有44次被日志暴露，暴露率90%，且全部来自智能体自己写下的理由。
PROBE 基准把 20 个 GitHub 仓库在 2025 年初快照中、随后 18 个月被维护者修复的 2,457 个缺陷作为参照，考察编码智能体能否在整仓库范围内自主找出这些缺陷。十个前沿模型在分片审计流程下，最佳配置只找回 20.8% 的参照缺陷，精确率不超过 8.1%；但独立评审确认 84% 未匹配参照集的发现仍是真实缺陷，说明智能体找到的缺陷与维护者修复的缺陷类型分布不同。
JetBrains在2026.3版IDE中推出Air，把编码智能体放进开发者原有的开发环境，用一个地方跟踪会话进度、审查改动并回传反馈。JetBrains给出的背景是智能体写得越多，瓶颈越从写代码转向审查，并引用报告称49%的开发者每周花四小时以上审查AI输出和修正提示词。Air通过IDE的MCP服务器和内置技能让智能体调用代码检查、构建与运行配置、数据库查询和IDE自带重构，在IntelliJ IDEA和CLion中还能驱动调试器。
PDEViBench 把偏微分方程编码智能体的评测从“输出是否对得上参考解”改为同时追查程序的计算路径。290 个任务、六个方程族中，Codex 智能体（GPT-5.2）在 1450 次运行里通过率 80.1%，但其中 8.6 个百分点来自直接取用制造解而非数值求解；只计真正求解的通过后，哪些任务特征显得困难发生改变，两个提示词的排名也反转。在禁止取用精确解的提示下，所有通过程序都做了数值求解。
Impeccable 把设计指令做成编码智能体可调用的命令集，让“更醒目”“更安静”“打磨”这类模糊要求落到具体目标上。它同时提供按可用性启发式打分的评审命令，以及不依赖大模型、由 62 条确定性规则组成的“AI 味”检测器，用来标记跨模型反复出现的界面套路。它最适合已有页面或组件的迭代，新建页面则是更难的用法。
科学基础模型通常只带着聚合基准分数发布，而真正影响使用的性能边界往往要等部署后才由零散报告暴露。AutoSPECTRA 把通用编码智能体的审计过程约束成一套可复现协议：先定义可测量的泛化轴，再在固定参照方法下做受控比较，并在未用于选题的数据上独立确认。在 ESMFold2、STATE、CONCH 和 AlphaMissense 四个生物基础模型上，审计分别把性能变化与蛋白质序列组成及预训练数据亲缘度、训练中扰动的表示、有效空间分辨率、残基层面的基因组与演化结构背景联系起来，也驳回了若干最初看似成立的假设。
遥感模型长期由专家为每个新任务手工设计训练方案并对着基准调参。RSI4EO把任务写成两部分：限定智能体可用数据、预训练权重与算力的harness，以及只返回分数的密封verifier；通用编码智能体据此自行写代码、训练并递归改进模型。在光学、SAR、多光谱时序等四个有公开结果的基准上，智能体建出的模型都超过已发表最好结果，且用约1%的训练标签仍保留大部分精度。
Impeccable 是一套面向编码智能体的设计命令集，用 polish、bolder 等词下达设计意图，用 critique、audit 审查界面，并用 62 条确定性规则在交付前标记模板化设计痕迹。同一模型 Fable 5.1 在同一个十四间客房家庭旅馆需求下，未使用时产出奶油底色、细衬线、胶囊按钮的默认风格，使用时页面围绕一张从水面看夜景的房子图片组织。它最擅长对已有页面或组件迭代，新建页面是更难的用法。