FeatureArc 参考文献：功能演进评测的六十七条文献

FeatureArc：在不断演进的功能上评测编码智能体

Yunlong Wang、Alyssa Wu、Cuiyun Gao、Jia Feng、Songyuanyi Lu、Zhichao Hu

本文是全文翻译的参考文献部分。正文见同题文章。六十七条文献均给出中文题名，并保留原文题名、出处与链接。

参考文献

• [1] M. M. Lehman。题名译为：程序、生命周期与软件演进定律。Programs, life cycles, and laws of software evolution。Proceedings of the IEEE，第 68 卷，第 9 期，第 1060–1076 页，1980。出处、页码与年份均按原文著录。
• [2] V. T. Rajlich、K. H. Bennett。题名译为：软件生命周期的一个分阶段模型。A staged model for the software life cycle。Computer，第 33 卷，第 7 期，第 66–71 页，2000。出处、页码与年份均按原文著录。
• [3] J. Yang、C. E. Jimenez、A. Wettig、K. Lieret、S. Yao、K. Narasimhan、O. Press。题名译为：SWE-agent：智能体–计算机界面使自动化软件工程成为可能。SWE-agent: Agent-computer interfaces enable automated software engineering。载于《神经信息处理系统进展》，第 37 卷，2024，第 50528–50552 页。出处、页码与年份均按原文著录。
• [4] X. Wang、B. Li、Y. Song、F. F. Xu、X. Tang、M. Zhuge、J. Pan、Y. Song、B. Li、J. Singh、H. H. Tran、F. Li、R. Ma、M. Zheng、B. Qian、Y. Shao、N. Muennighoff、Y. Zhang、B. Hui、J. Lin、R. Brennan、H. Peng、H. Ji、G. Neubig。题名译为：OpenHands：面向作为通用智能体的人工智能软件开发者的开放平台。OpenHands: An open platform for AI software developers as generalist agents。载于第十三届学习表征国际会议，2025。https://openreview.net/forum?id=OJd3ayDDoF。出处、页码与年份均按原文著录。
• [5] C. E. Jimenez、J. Yang、A. Wettig、S. Yao、K. Pei、O. Press、K. R. Narasimhan。题名译为：SWE-bench：语言模型能解决真实世界的 GitHub 议题吗？SWE-bench: Can language models resolve real-world GitHub issues? 载于第十二届学习表征国际会议，2024。https://openreview.net/forum?id=VTF8yNQM66。出处、页码与年份均按原文著录。
• [6] N. Chowdhury、J. Aung、C. J. Shern、O. Jaffe、D. Sherburn、G. Starace、E. Mays、R. Dias、M. Aljubeh、M. Glaese、C. E. Jimenez、J. Yang、L. Ho、T. Patwardhan、K. Liu、A. Madry。题名译为：介绍 SWE-bench Verified。Introducing SWE-bench Verified。https://openai.com/index/introducing-swe-bench-verified/，2024，2025 年 2 月 24 日更新。出处、页码与年份均按原文著录。
• [7] SWE-bench。题名译为：SWE-bench 排行榜。SWE-bench leaderboards。https://www.swebench.com/，2026，访问于 2026 年 10 月 22 日。出处、页码与年份均按原文著录。
• [8] J. Baumann、V. Padmakumar、K. Li、J. Yang、D. Yang、S. Koyejo。题名译为：SWE-chat：来自真实用户的编码智能体交互。SWE-chat: Coding agent interactions from real users in the wild。载于第三届语言建模会议论文集，2026。https://proceedings.colm.cc/paper_files/paper/2026/hash/e5b4633454cb2174779d294ccda02318-Abstract-Conference.html。出处、页码与年份均按原文著录。
• [9] W. Li、X. Zhang、Z. Guo、S. Mao、W. Luo、G. Peng、Y. Huang、H. Wang、S. Li。题名译为：FEA-Bench：评测面向功能实现的仓库级代码生成的基准。FEA-Bench: A benchmark for evaluating repository-level code generation for feature implementation。载于第 63 届计算语言学协会年会论文集（第 1 卷：长文），2025，第 17160–17176 页。出处、页码与年份均按原文著录。
• [10] H. Chen、C. Li、J. Li。题名译为：FeatBench：走向对功能级代码生成更真实的评测。FeatBench: Towards more realistic evaluation of feature-level code generation。2025，版本 2。https://arxiv.org/abs/2509.22237v2。出处、页码与年份均按原文著录。
• [11] Q. Zhou、J. Zhang、H. Wang、R. Hao、J. Wang、M. Han、Y. Yang、S. Wu、F. Pan、L. Fan、D. Tu、Z. Zhang。题名译为：FeatureBench：为复杂功能开发评测智能体式编码。FeatureBench: Benchmarking agentic coding for complex feature development。载于第十四届学习表征国际会议，2026。https://arxiv.org/abs/2602.10975。出处、页码与年份均按原文著录。
• [12] CodeCrafters。题名译为：CCBench：在小规模代码库的真实世界任务上评测人工智能编码智能体的基准。CCBench: A benchmark for evaluating AI coding agents on real-world tasks within small-scale codebases。https://github.com/codecrafters-io/ccbench，2026，结果更新于 2026 年 2 月 11 日。出处、页码与年份均按原文著录。
• [13] K. N. A. Shastry、G. Senrayan、S. Satapara、P. Panda、C. Devaguptapu。题名译为：超出孤立任务：在顺序软件演进上评测编码智能体的一个框架。Beyond isolated tasks: A framework for evaluating coding agents on sequential software evolution。2026，发表于 ICML 2026 代码深度学习研讨会（DL4C）。https://arxiv.org/abs/2604.03035。出处、页码与年份均按原文著录。
• [14] G. Orlanski、D. Roy、A. Yun、C. Shin、A. Gu、A. Ge、D. Adila、N. Roberts、F. Sala、A. Albarghouthi。题名译为：SlopCodeBench：评测编码智能体在长程迭代任务上如何退化。SlopCodeBench: Benchmarking how coding agents degrade over long-horizon iterative tasks。2026，版本 2。https://arxiv.org/abs/2603.24755v2。出处、页码与年份均按原文著录。
• [15] H. Shen、X. Chen、W. Xu、Y. Ma、L. Chen、K. Li。题名译为：EvoCode-Bench：在多轮迭代交互中评测编码智能体。EvoCode-Bench: Evaluating coding agents in multi-turn iterative interactions。2026。https://arxiv.org/abs/2605.24110。出处、页码与年份均按原文著录。
• [16] D. Nukrai、B. Alon、N. Levy、I. A. Atad、I. Cohen、I. Zimerman、L. Wolf、E. David、I. Naiman。题名译为：EvoWeb：在不断演进的 Web 应用上评测编码智能体的基准。EvoWeb: A benchmark for coding agents on evolving web applications。2026，版本 1。https://arxiv.org/abs/2610.16402v1。出处、页码与年份均按原文著录。
• [17] SAE International。题名译为：道路机动车辆驾驶自动化系统相关术语的分类与定义。Taxonomy and definitions for terms related to driving automation systems for on-road motor vehicles。SAE International，标准 J3016_202104，2021。出处、页码与年份均按原文著录。
• [18] K. J. K. Feng、D. W. McDonald、A. X. Zhang。题名译为：人工智能智能体的自主性等级。Levels of autonomy for AI agents。2025，版本 2。https://arxiv.org/abs/2506.12469v2。出处、页码与年份均按原文著录。
• [19] S. Yoo、M. Harman。题名译为：回归测试的最小化、选择与优先级：一项综述。Regression testing minimization, selection and prioritization: A survey。Software Testing, Verification and Reliability，第 22 卷，第 2 期，第 67–120 页，2012。出处、页码与年份均按原文著录。
• [20] Anthropic。Claude Opus 5.5。2026，访问于 2026-10-24。https://www.anthropic.com/claude-opus-5-5。出处、页码与年份均按原文著录。
• [21] Tencent。题名译为：腾讯混元：产品概览。Tencent Hunyuan: Product Overview。2026，访问于 2026-10-24。https://cloud.tencent.com/document/product/1729/104753。出处、页码与年份均按原文著录。
• [22] T. Zimmermann、P. Weißgerber、S. Diehl、A. Zeller。题名译为：挖掘版本历史以指导软件更改。Mining version histories to guide software changes。IEEE Transactions on Software Engineering，第 31 卷，第 6 期，第 429–445 页，2005。出处、页码与年份均按原文著录。
• [23] OpenAI。题名译为：GPT-6 Astra：新一代智能。GPT-6 Astra: A New Generation of Intelligence。2026，访问于 2026-10-24。https://openai.com/index/gpt-6-astra/。出处、页码与年份均按原文著录。
• [24] Z.ai。GLM-5.3 与 GLM-5.3-Flash。2026，访问于 2026-10-24。https://github.com/zai-org/GLM-5。出处、页码与年份均按原文著录。
• [25] xAI。题名译为：介绍 Grok 4.7。Introducing Grok 4.7。2026，访问于 2026-10-24。https://x.ai/news/grok-4-7。出处、页码与年份均按原文著录。
• [26] Qwen Team。题名译为：Qwen3.8-Max：编码与协作的新标杆。Qwen3.8-Max: A New Bar for Coding and Cowork。2026，访问于 2026-10-24。https://qwen.ai/blog?id=qwen3.8。出处、页码与年份均按原文著录。
• [27] Google DeepMind。题名译为：介绍 Gemini 3.8 Flash 与 3.8 Flash Cyber。Introducing Gemini 3.8 Flash and 3.8 Flash Cyber。2026，访问于 2026-10-24。https://blog.google/innovation-and-ai/models-and-research/gemini-models/3-8-flash-and-3-8-flash-cyber/。出处、页码与年份均按原文著录。
• [28] ByteDance Seed。题名译为：Seed2.1：面向真实世界生产力的下一代智能体。Seed2.1: A Next-Generation Agent for Real-World Productivity。2026，访问于 2026-10-24。https://seed.bytedance.com/en/seed2_1。出处、页码与年份均按原文著录。
• [29] Moonshot AI。题名译为：Kimi K3：开放的前沿智能。Kimi K3: Open Frontier Intelligence。2026，访问于 2026-10-24。https://www.kimi.com/en/blog/kimi-k3。出处、页码与年份均按原文著录。
• [30] DeepSeek-AI。题名译为：DeepSeek-V4-Pro 正式发布。DeepSeek-V4-Pro GA Release。2026，访问于 2026-10-24。https://api-docs.deepseek.com/news/news260813/。出处、页码与年份均按原文著录。
• [31] OpenAI。题名译为：介绍 GPT-5.5。Introducing GPT-5.5。2026，访问于 2026-10-24。https://openai.com/index/introducing-gpt-5-5/。出处、页码与年份均按原文著录。
• [32] DeepSeek-AI。题名译为：DeepSeek-V4.1-Flash：更聪明、更快、更高效。DeepSeek-V4.1-Flash: Smarter, Faster, More Efficient。2026，访问于 2026-10-24。https://api-docs.deepseek.com/news/news260910/。出处、页码与年份均按原文著录。
• [33] Anthropic。Claude Sonnet 5。2026，访问于 2026-10-24。https://platform.claude.com/docs/en/models/sonnet-5/overview。出处、页码与年份均按原文著录。
• [34] L. Zheng、W.-L. Chiang、Y. Sheng、S. Zhuang、Z. Wu、Y. Zhuang、Z. Lin、Z. Li、D. Li、E. P. Xing、H. Zhang、J. E. Gonzalez、I. Stoica。题名译为：用 MT-Bench 和 Chatbot Arena 评判“以大语言模型为评判”。Judging LLM-as-a-judge with MT-Bench and Chatbot Arena。载于《神经信息处理系统进展》，数据集与基准轨道，第 36 卷，2023，第 46595–46623 页。出处、页码与年份均按原文著录。
• [35] B. Efron。题名译为：自助法：对刀切法的另一种看法。Bootstrap methods: Another look at the jackknife。The Annals of Statistics，第 7 卷，第 1 期，第 1–26 页，1979。出处、页码与年份均按原文著录。
• [36] E. B. Wilson。题名译为：或然推断、演替定律与统计推断。Probable inference, the law of succession, and statistical inference。Journal of the American Statistical Association，第 22 卷，第 158 期，第 209–212 页，1927。出处、页码与年份均按原文著录。
• [37] J. L. Fleiss。题名译为：度量多名评分者之间的名义量表一致性。Measuring nominal scale agreement among many raters。Psychological Bulletin，第 76 卷，第 5 期，第 378–382 页，1971。出处、页码与年份均按原文著录。
• [38] G. Deng、Z. Chen、Z. Yu、H. Fan、Y. Liu、Y. Yang、D. Parikh、R. Kannan、L. Cong、M. Wang、Q. Zhang、V. Prasanna、X. Tang、X. Wang。题名译为：SWE-Milestone：在持续软件演进上评测人工智能智能体。SWE-Milestone: Evaluating AI agents on continuous software evolution。载于第 43 届国际机器学习会议论文集，Proceedings of Machine Learning Research 第 306 卷，2026，第 23853–23890 页。https://proceedings.mlr.press/v306/deng26d.html。出处、页码与年份均按原文著录。
• [39] M. H. Lam、C. Wang、H. Liu、J. Xiao、H. Li、J. Huang、T. Y. Zhuo、M. R. Lyu。题名译为：SWE-Chain：在链式的发布级软件包升级上评测编码智能体。SWE-Chain: Benchmarking coding agents on chained release-level package upgrades。2026。https://arxiv.org/abs/2605.14415。出处、页码与年份均按原文著录。
• [40] Q. Jin、L. Tung、K. Li、Q. Shi、Y. She、H. Jia、H. Zhao、K. Xia、Z. Du、J. Pei、Z. Zhang、Z. Qi、Y. Duan、W. Lee、Z. Jin。题名译为：ChainSWE：在多缺陷软件维护上评测编码智能体。ChainSWE: Benchmarking coding agents on multi-bug software maintenance。载于 2026 年自然语言处理实证方法会议论文集，2026。https://openreview.net/forum?id=XJaANR7Pw8。出处、页码与年份均按原文著录。
• [41] T. Le、M. V. T. Thai、D. N. Manh、H. P. Nhat、N. D. Q. Bui。题名译为：SWE-EVO：在长程软件演进场景中评测编码智能体。SWE-EVO: Benchmarking coding agents in long-horizon software evolution scenarios。2026。https://arxiv.org/abs/2512.18470。出处、页码与年份均按原文著录。
• [42] X. Xu、R. Yang、H. Shen、W. Xu、B. Gao、R. Wu、K. Shi、W. Xie、X. Chen、M. Wu、J. Zeng、M. Heinrich、E. Zhang、L. Chen、K. Li、B. Chang。题名译为：RoadmapBench：跨版本升级评测长程智能体式软件开发。RoadmapBench: Evaluating long-horizon agentic software development across version upgrades。2026，版本 2。https://arxiv.org/abs/2605.15846v2。出处、页码与年份均按原文著录。
• [43] H. Li、Z. Fang、R. Feng、Y. Zhao、J. Liu、P. Gao、H. Ye、D. Lin、Q. Lin、S. Rajmohan、D. Zhang。题名译为：LoopsBench：编码智能体评测从脚手架工程到循环工程。LoopsBench: From harness engineering to loop engineering in coding agent evaluation。2026，版本 2。https://arxiv.org/abs/2608.00267v2。出处、页码与年份均按原文著录。
• [44] M. Raghavendra、A. Gunjal、A. Sabharwal、Y. He。题名译为：SWE-Interact：把 SWE 基准重新想象为由用户驱动的长程编码会话。SWE-Interact: Reimagining SWE benchmarks as user-driven long-horizon coding sessions。2026，版本 1。https://arxiv.org/abs/2606.30573v1。出处、页码与年份均按原文著录。
• [45] Y. Wu、Z. Zhao、S. Li、H. H. Lee、J. Zhu、S. Wu、T. Yu、S. Li、L. Zhang、X. Fan、S. Li。题名译为：SWE-Together：在交互式用户会话中评测编码智能体。SWE-Together: Evaluating coding agents in interactive user sessions。2026，版本 1。https://arxiv.org/abs/2606.29957v1。出处、页码与年份均按原文著录。
• [46] Z. Zhan、S. Gao、R. Hu、C. Gao。题名译为：SR-Eval：在逐步细化需求下评测大语言模型的代码生成。SR-Eval: Evaluating LLMs on code generation under stepwise requirement refinement。2026。https://arxiv.org/abs/2509.18808。出处、页码与年份均按原文著录。
• [47] L. Yan、X. Chen、X. Zhang。题名译为：当规格说明逐渐浮现：评测长程编码智能体中的忠实性损失。When the specification emerges: Benchmarking faithfulness loss in long-horizon coding agents。2026。https://arxiv.org/abs/2603.17104。出处、页码与年份均按原文著录。
• [48] S. Vijayvargiya、X. Zhou、A. Yerukola、M. Sap、G. Neubig。题名译为：Ambig-SWE：用交互式智能体克服软件工程中的说明不足。Ambig-SWE: Interactive agents to overcome underspecificity in software engineering。载于第十四届学习表征国际会议，2026。https://openreview.net/forum?id=X2yzXtH4wp。出处、页码与年份均按原文著录。
• [49] R. Hu、C. Peng、X. Wang、J. Xu、C. Gao。题名译为：Repo2Run：大规模为代码仓库自动构建可执行环境。Repo2Run: Automated building executable environment for code repository at scale。载于《神经信息处理系统进展》，第 38 卷，2025，第 36770–36809 页。出处、页码与年份均按原文著录。
• [50] I. Bouzenia、M. Pradel。题名译为：你点名，我来跑：一个执行任意项目测试的大语言模型智能体。You name it, I run it: An LLM agent to execute tests of arbitrary projects。Proceedings of the ACM on Software Engineering，第 2 卷，第 ISSTA 期，第 1054–1076 页，2025。出处、页码与年份均按原文著录。
• [51] C. Guo、J. Wu、S. He、Y. Chen、Z. Kuang、S. Fan、B. Chen、S. Bao、J. Liu、H. Wu、Q. Zhu、W. Che、H. Wang。题名译为：MEnvAgent：面向可验证软件工程的可扩展多语言环境构造。MEnvAgent: Scalable polyglot environment construction for verifiable software engineering。载于第 43 届国际机器学习会议论文集，Proceedings of Machine Learning Research 第 306 卷，2026，第 38471–38495 页。https://proceedings.mlr.press/v306/guo26aa.html。出处、页码与年份均按原文著录。
• [52] A. Eliseeva、A. Kovrigin、I. Kholkin、E. Bogomolov、Y. Zharov。题名译为：EnvBench：自动环境搭建的一个基准。EnvBench: A benchmark for automated environment setup。ICLR 2025 代码深度学习研讨会。https://github.com/JetBrains-Research/EnvBench，2025。出处、页码与年份均按原文著录。
• [53] I. Badertdinov、A. Golubev、M. Nekrashevich、A. Shevtsov、S. Karasik、A. Andriushchenko、M. Trofimova、D. Litvintseva、B. Yangel。题名译为：SWE-rebench：软件工程智能体任务收集与去污染评测的自动流水线。SWE-rebench: An automated pipeline for task collection and decontaminated evaluation of software engineering agents。载于《神经信息处理系统进展》，数据集与基准轨道，第 38 卷，2025，第 26420–26466 页。出处、页码与年份均按原文著录。
• [54] I. Badertdinov、M. Nekrashevich、A. Shevtsov、A. Golubev。题名译为：SWE-rebench V2：大规模、与语言无关的 SWE 任务收集。SWE-rebench V2: Language-agnostic SWE task collection at scale。载于第 43 届国际机器学习会议论文集，Proceedings of Machine Learning Research 第 306 卷，2026，第 4820–4843 页。https://proceedings.mlr.press/v306/badertdinov26a.html。出处、页码与年份均按原文著录。
• [55] L. Zhang、S. He、C. Zhang、Y. Kang、B. Li、C. Xie、J. Wang、M. Wang、Y. Huang、S. Fu、E. Nallipogu、Q. Lin、Y. Dang、S. Rajmohan、D. Zhang。题名译为：SWE-bench 上线了。SWE-bench goes live! 载于《神经信息处理系统进展》，数据集与基准轨道，第 38 卷，2025，第 163347–163372 页。出处、页码与年份均按原文著录。
• [56] L. Wang、L. Ramalho、A. Celestino、P. A. Pham、Y. Liu、U. K. Sinha、A. Portillo、O. Osunwa、G. Maduekwe。题名译为：SWE-Bench++：从开源仓库可扩展生成软件工程基准的框架。SWE-Bench++: A framework for the scalable generation of software engineering benchmarks from open-source repositories。2025。https://arxiv.org/abs/2512.17419。出处、页码与年份均按原文著录。
• [57] L. Guo、Y. Wang、C. Li、W. Tao、P. Yang、J. Chen、H. Song、D. Tang、Z. Zheng。题名译为：SWE 数据构造，自动完成。SWE data construction, automatically! Proceedings of the ACM on Software Engineering，第 3 卷，第 FSE 期，第 525–546 页，2026。出处、页码与年份均按原文著录。
• [58] J. Yang、K. Lieret、C. E. Jimenez、A. Wettig、K. Khandpur、Y. Zhang、B. Hui、O. Press、L. Schmidt、D. Yang。题名译为：SWE-smith：为软件工程智能体扩展数据。SWE-smith: Scaling data for software engineering agents。载于《神经信息处理系统进展》，数据集与基准轨道，第 38 卷，2025，第 107402–107452 页。出处、页码与年份均按原文著录。
• [59] N. Jain、J. Singh、M. Shetty、T. Zhang、L. Zheng、K. Sen、I. Stoica。题名译为：R2E-Gym：面向扩展开放权重 SWE 智能体的程序化环境生成与混合验证器。R2E-Gym: Procedural environment generation and hybrid verifiers for scaling open-weights SWE agents。载于第二届语言建模会议，2025。https://openreview.net/forum?id=7evvwwdo3z。出处、页码与年份均按原文著录。
• [60] J. Pan、X. Wang、G. Neubig、N. Jaitly、H. Ji、A. Suhr、Y. Zhang。题名译为：用 SWE-Gym 训练软件工程智能体和验证器。Training software engineering agents and verifiers with SWE-Gym。载于第 42 届国际机器学习会议论文集，Proceedings of Machine Learning Research 第 267 卷，2025，第 47717–47737 页。https://proceedings.mlr.press/v267/pan25g.html。出处、页码与年份均按原文著录。
• [61] H. Qi、X. Wang、X. Gao、B. Sang、X. Zhang、M. Ma、P. Gao、Y. Kang、Q. Lin、S. Rajmohan、D. Zhang、Q. Zhang。题名译为：Change2Task：从仓库更改到可执行的编码智能体任务与环境。Change2Task: From repository changes to executable coding agent tasks and environments。2026。https://arxiv.org/abs/2607.28591。出处、页码与年份均按原文著录。
• [62] W. Li、Z. Xu、Z. Wang、S. Yu、W. Zhu、Y. Luo、J. Xu、Y. Wu、H. Huang、A. Deng。题名译为：WEAVE：把真实世界的代码演进织进依赖结构化的任务，以评测并训练代码智能体。WEAVE: Weaving real-world code evolution into dependency-structured tasks for benchmarking and training code agents。2026，版本 3。https://arxiv.org/abs/2610.22039v3。出处、页码与年份均按原文著录。
• [63] X. Chen、M. Lin、N. Schärli、D. Zhou。题名译为：教大语言模型自我调试。Teaching large language models to self-debug。载于第十二届学习表征国际会议，2024。https://openreview.net/forum?id=KuPixIqPiq。出处、页码与年份均按原文著录。
• [64] N. Shinn、F. Cassano、A. Gopinath、K. Narasimhan、S. Yao。题名译为：Reflexion：带言语强化学习的语言智能体。Reflexion: Language agents with verbal reinforcement learning。载于《神经信息处理系统进展》，第 36 卷，2023，第 8634–8652 页。出处、页码与年份均按原文著录。
• [65] T. X. Olausson、J. P. Inala、C. Wang、J. Gao、A. Solar-Lezama。题名译为：自我修复是代码生成的银弹吗？Is self-repair a silver bullet for code generation? 载于第十二届学习表征国际会议，2024。https://openreview.net/forum?id=y0GJXRungR。出处、页码与年份均按原文著录。
• [66] J. Liu、C. S. Xia、Y. Wang、L. Zhang。题名译为：ChatGPT 生成的代码真的正确吗？对大语言模型代码生成的严格评测。Is your code generated by ChatGPT really correct? Rigorous evaluation of large language models for code generation。载于《神经信息处理系统进展》，第 36 卷，2023，第 21558–21572 页。出处、页码与年份均按原文著录。
• [67] N. Mündler、M. N. Müller、J. He、M. Vechev。题名译为：SWT-Bench：用代码智能体测试并验证真实世界的缺陷修复。SWT-Bench: Testing and validating real-world bug-fixes with code agents。载于《神经信息处理系统进展》，第 37 卷，2024，第 81857–81887 页。出处、页码与年份均按原文著录。