Code Agent 的中控系统：搜索、验证与长期运行

Fri, 02 Jan 2026 00:00:00 +0000

聊 Code Agent 时，我们很容易把注意力都放在模型上：换一个更强的模型，代码能力是不是就会明显提升？

在 2024 年写 A few things about Code Agent 时，我把 Code Agent 拆成了中控、推理生成、验证、知识库和工具集，也花了不少篇幅观察 Multi-Agent 工作流。两年后再回看，这些组件仍然存在，但我关注的重点变了：角色数量不是最关键的，真正决定 Agent 能否进入真实工程的，是搜索、验证、上下文和权限能不能形成稳定闭环。

真实工程里，答案通常没有这么简单。模型只是系统的一部分。它还需要知道去哪里找代码、什么时候运行测试、失败后重试还是回滚、哪些文件不能改，以及什么时候应该停下来把问题交还给人。

我把这一层称为 Code Agent 的“中控系统”。它不是一个神秘的大脑，也不是一段超长 Prompt，而是一条反复运行的控制闭环：

flowchart LR
 task["用户目标"] --> plan["计划与<br/>子目标"]
 plan --> act["搜索、<br/>编辑、执行"]
 act --> env["代码库、<br/>终端与 CI"]
 env --> verify["验证结果"]
 verify -->|"通过"| finish["交付"]
 verify -->|"可恢复"| plan
 verify -->|"高风险<br/>或不确定"| human["请求<br/>人工判断"]
 memory["项目规则<br/>与任务状态"] --> plan

这篇文章关注的不是某一个产品，而是这条闭环为什么有效、会在哪里失效，以及搜索、奖励模型和长期记忆应该放在什么位置。

从一次生成到闭环执行

早期代码模型更像“根据描述写一段代码”。Code Agent 则要不断观察环境：读取文件、执行测试、看到报错，再决定下一步。

ReAct 把推理与行动交替起来；Reflexion 进一步让模型把失败总结成语言反馈，供下一次尝试参考。¹² 两者带来的关键变化不是模型突然学会了反思，而是系统终于建立了一个可观察的反馈回路。

在代码场景里，环境反馈比模型自评可靠得多：

编译器可以确认语法和类型是否正确；
单元测试可以验证已有行为有没有被破坏；
lint 和静态分析可以检查一部分工程约束；
git diff 可以告诉我们 Agent 到底改了什么。

真正可靠的中控会优先使用这些确定性信号，而不是让模型凭感觉判断“修复应该已经完成”。

搜索：什么时候值得多试几条路

线性重试的做法很简单：尝试一次，失败后阅读报错，再尝试一次。多数日常任务用这种方式就够了。但当根因不明确、修复方案很多时，Agent 可能过早押注在错误方向上。

LATS 把树搜索引入语言 Agent，让系统同时保留多个候选轨迹；RethinkMCTS 则尝试在发现错误后重写有问题的中间推理，而不是只在错误轨迹末尾继续补救。³⁴

flowchart LR
 issue["问题"] --> a["假设 A"]
 issue --> b["假设 B"]
 issue --> c["假设 C"]
 a --> ta["运行验证"]
 b --> tb["运行验证"]
 c --> tc["运行验证"]
 ta --> rank["比较证据与成本"]
 tb --> rank
 tc --> rank
 rank --> patch["继续最有希望的路径"]

不过，树搜索并不天然优于线性尝试。它用更多 Rollout 换取更高成功率，也会带来更高 token 成本、更多环境执行和更长等待时间。实际系统需要一个搜索预算：

小范围、可快速验证的修改，优先单线执行；
根因不明确但验证便宜时，可以并行探索多个假设；
构建和测试很慢时，应该先做静态分析，避免每个分支都跑完整 CI；
涉及架构取舍时，候选方案应交给人评估，而不是只按模型分数排序。

因此，搜索的重点不是“分支越多越聪明”，而是把额外算力花在真正不确定的决策点上。

验证：最终结果和中间过程要分开看

代码任务有天然的可验证信号，这也是 RLVR（Reinforcement Learning with Verifiable Rewards）适合代码领域的原因。测试通过可以作为结果奖励，模型不需要依赖人工给每条推理链打分。

但只看最终结果也有问题：一个任务经过几十步才失败，我们不知道是最初定位错了文件，还是最后漏改了调用方。过程奖励模型（PRM）试图为中间步骤提供更密集的反馈，SWE-Shepherd 就是面向软件工程轨迹的一个例子。⁵

我更倾向于把验证拆成三层：

层级	回答的问题	适合的验证方式
动作验证	这一步是否合法、是否执行成功	schema、权限、命令退出码
过程验证	当前方向是否更接近目标	测试增量、静态分析、PRM
结果验证	任务是否真的完成	完整测试、验收条件、人工 review

PRM 可以帮助搜索，却不能替代最终测试。模型很容易学会迎合一个近似的评分器，生成“看起来有道理”的过程。把过程奖励限制在最终验证通过的轨迹上，是减少奖励黑客的一种思路；更根本的办法还是提高测试与环境本身的质量。

RLVR：把闭环能力训练进模型

搜索和反思可以在推理时外挂，RLVR 则试图把这些行为内化进模型。DeepSeek-R1 展示了可验证奖励如何推动模型形成更长的推理行为；在软件工程场景中，Agent-RLVR 使用单元测试等环境奖励，并通过计划、错误提示等 guidance 帮助模型跨过过于稀疏的奖励区。⁶⁷

一个简化的训练闭环是：

flowchart LR
 tasks["任务"] --> policy["Agent 策略"]
 policy --> rollout["环境 Rollout"]
 rollout --> tests["测试与约束"]
 tests --> reward["可验证奖励"]
 reward --> update["策略更新"]
 update --> policy

RLVR 在代码领域有效，是因为这里存在编译器和测试。但这也是它的边界：

测试覆盖不足时，“通过”可能只是钻了验证器的空子；
flaky test 会把环境噪声当成学习信号；
隐式依赖和错误的容器配置会奖励错误行为；
只优化 benchmark，容易让模型学会数据集特有的捷径。

所以 RLVR 的上限不只取决于算法，也取决于环境能否给出稳定、难以投机的反馈。某种意义上，验证环境本身就是训练数据的一部分。

上下文：项目说明不是越长越好

AGENTS.md、CLAUDE.md 和类似规则文件已经成为代码仓库的新配置层。它们最适合存放代码里无法直接推断的信息，例如特殊构建命令、发布限制、历史兼容要求和禁止触碰的目录。

但关于这类文件的效果，目前的实证结果并不完全一致。一项覆盖多种 Agent 和 SWE-bench 任务的研究发现，额外上下文往往降低成功率并增加超过 20% 的推理成本；另一项针对 10 个仓库、124 个 PR 的研究则观察到运行时间和输出 token 下降，同时完成表现接近。⁸⁹

这不是简单的“AGENTS.md 有用或没用”，而是说明内容质量和任务分布很重要。我认为比较稳妥的写法是：

只写 Agent 无法从仓库直接发现的约束；
命令尽量可复制执行，不写空泛的“保持高质量”；
高风险规则配合权限或脚本硬校验，不只依赖文字；
定期删除过期信息，把它当配置代码维护；
不要让模型自动生成一篇仓库百科后永久注入上下文。

上下文工程的目标不是让 Agent “知道一切”，而是让它在当前步骤拿到刚好够用的信息。

长期运行：中控系统最终是权限系统

Code Agent 正从一次性对话走向后台任务：它可以持续检查 CI、处理 issue，甚至跨多个小时维护一个实现计划。运行时间越长，中控系统就越不能只关注“下一步做什么”。

它还需要维护：

任务状态：哪些子目标已完成，当前阻塞在哪里；
工作记忆：关键证据、已修改文件和验证结果；
恢复点：失败后回到哪个 commit 或工作区快照；
权限边界：哪些命令可以自动执行，哪些动作必须确认；
审计记录：为什么做出某个修改，使用了哪些外部信息。

长期记忆和 Skills 可以减少重复探索，但也会把错误经验固化下来。一个过期的构建步骤如果被包装成“技能”，会比一次普通幻觉更难发现，因为系统会反复、稳定地执行它。

因此，长期运行 Agent 的核心不是让它永远不停，而是让它能够在正确的位置停下来：验证不足时停、权限不够时停、目标发生冲突时停。

两年后，我更看重什么

Code Agent 的中控系统正在从 Prompt 工程变成真正的软件基础设施，但复杂度不应该成为目标本身。

我会用四个问题判断一套中控是否可靠：

它是否优先使用编译器、测试和 diff 等真实环境证据？
它是否只在关键的不确定节点增加搜索，而不是无差别消耗 Rollout？
它能否把任务状态、项目知识和长期经验分开管理？
它是否有清晰的权限、回滚和人工接管机制？

更强的模型会提高每一步的质量，但把几十步串成一次可靠的软件变更，依然是系统工程。真正成熟的 Code Agent，不只是更会写代码，而是更清楚什么时候该搜索、什么时候该验证，以及什么时候不该继续执行。

参考资料

关于 Code Agent 的整体组件，可继续阅读我的上一篇文章：A few things about Code Agent。

Shunyu Yao et al., ReAct: Synergizing Reasoning and Acting in Language Models, 2022。 ↩︎
Noah Shinn et al., Reflexion: Language Agents with Verbal Reinforcement Learning, 2023。 ↩︎
Andy Zhou et al., Language Agent Tree Search Unifies Reasoning, Acting, and Planning in Language Models, 2023。 ↩︎
RethinkMCTS: Refining Erroneous Thoughts in Monte Carlo Tree Search for Code Generation。 ↩︎
SWE-Shepherd: Advancing PRMs for Reinforcing Code Agents。 ↩︎
DeepSeek-AI, DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning, 2025。 ↩︎
Jeff Da et al., Agent-RLVR: Training Software Engineering Agents via Guidance and Environment Rewards, 2025。 ↩︎
Thibaud Gloaguen et al., Evaluating AGENTS.md: Are Repository-Level Context Files Helpful for Coding Agents?, 2026。 ↩︎
Jai Lal Lulla et al., On the Impact of AGENTS.md Files on the Efficiency of AI Coding Agents, 2026。 ↩︎

Code Agent | Xwell's Blog