软件工程（SWE）智能体的验证环节长期面临效率瓶颈。传统依赖代码执行的方法扩展性差，而替代方案又缺乏上下文关联。一项新研究提出了“Agentic Rubrics”框架，通过专家智能体与代码库交互生成情境化评分标准，实现了无需执行代码的高效验证，为提升AI编程能力提供了新路径。这个方法在SWE-Bench测试中表现优异，展现出巨大潜力。
智能速览
Agentic Rubrics是一种无需执行代码的智能体验证新方法。
专家智能体通过探索代码库生成具体且可解释的评分清单。
在SWE-Bench测试中，该方案比最强基线高出至少3.5个百分点。
评分标准不仅能复现测试结果，还能发现测试遗漏的问题。
智能体主动收集上下文是生成高质量评分标准的关键。
精华内容
传统的代码验证方法正成为SWE智能体发展的瓶颈。一种名为Agentic Rubrics的新范式，通过构建上下文相关的评分标准，巧妙地绕过了执行开销，开辟了验证的新路径。
验证困境
提升软件工程（SWE）智能体的能力，验证环节至关重要。它既是训练过程中的“考官”，也是推理时的“质检员”。然而，当前主流的验证方式都存在明显短板。依赖代码执行虽能感知环境，但每次测试都需要搭建沙盒，环境初始化的开销巨大，难以规模化应用。而那些无需执行的替代方案，如补丁分类器，又常常脱离具体的代码库上下文，不仅可靠性存疑，其判断依据也难以解释。随着SWE智能体向更复杂、更开放的场景拓展，寻找一种既可扩展又贴合项目实际的验证方法，已成为亟待解决的关键问题。
智能评分
为破解上述难题，“Agentic Rubrics”框架应运而生。其核心思想是引入一个“专家智能体”，让它像一个真正的项目审查员一样，首先深入目标代码库进行探索。通过与代码库交互，该智能体能够全面了解项目的结构、接口规范和编码风格，从而生成一份高度定制化的“评分标准清单”。这份清单不再是基于问题描述的空泛要求，而是根植于代码库具体情境的、明确且可量化的检查项。之后，当需要对候选代码补丁进行验证时，只需对照这份清单打分即可，全程无需执行任何代码，极大地提升了验证效率。
成效显著
这种新方法的效力已在权威的SWE-Bench Verified数据集上得到验证。在并行测试时间缩放（TTS）评估下，基于Qwen3-Coder-30B-A3B模型的智能体取得了54.2%的分数，基于Qwen3-32B模型的分数也达到了40.6%。这两个数字均比对比实验中最强的基线方法高出至少3.5个百分点，证明了其优越性。
更深入的分析揭示了Agentic Rubrics的独特价值。评分标准的分数不仅与真实测试的结果高度一致，还能捕捉到测试用例未能覆盖的潜在问题，提供了更细粒度的质量反馈。研究中的消融实验也证实，让智能体主动收集上下文信息是生成高质量、无歧义评分标准的关键一环，这直接影响验证的最终效果。
未来展望
Agentic Rubrics的成功，为软件工程智能体的验证难题提供了一个兼顾效率、可扩展性和可解释性的优秀方案。它通过一种巧妙的范式转移，将验证的焦点从依赖昂贵且不稳定的“执行”，转向了更为灵活和深入的“理解”。这种思路或许不仅限于SWE领域，它启发我们，在处理其他复杂任务的AI系统验证时，也可以借鉴这种“专家探索生成标准”的模式。随着技术的成熟，未来的AI编程助手或许能以更低的成本、更高的质量，帮助开发者完成更复杂的软件构建工作。
“Agentic Rubrics”不仅是一项技术优化，更是一种思路革新，它让AI验证摆脱了对代码执行的依赖，实现了效率与精度的双重提升。这项研究为构建更强大的软件工程智能体铺平了道路。未来，这种基于理解的验证范式，还能在哪些AI领域带来突破？
