FeatureArc：评估编码智能体的功能演进能力

编码智能体整功能成功率远低于首阶段，继承缺陷常被忽略。

资讯摘要

论文提出 FeatureArc 基准，用于评估编码智能体在功能逐步演进场景下的表现，并给出从代码仓库历史自动构建任务的流水线。基准包含同一功能各阶段间的依赖、明确的需求与接口契约，以及覆盖四种编程语言的可执行检查。作者在 73 个经人工审核、含 2 至 10 个阶段的任务上评测 10 个编码智能体，报告整体成功率从首阶段的 62.7% 降至最终代码上的 28.5%，失败后续阶段中 72.9% 存在继承缺陷。

要点速读

1. FeatureArc 从仓库历史构建多阶段任务，每阶段验证新行为的 F2P 测试与既有行为的 P2P 测试。
2. 10 个编码智能体在 73 个任务上评测，首阶段成功率 62.7%，整功能在最终代码上测试时降至 28.5%。
3. 轨迹分析显示 72.9% 的失败后续阶段含继承缺陷，智能体约 95% 的情况下未察觉先前错误。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:21（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。