代码智能体有了“严师”随访！Rutgers 等开源 Opera：首创持久诊断笔迹，SWE-Bench 解题率跃升 15%

核心背景与行业痛点

随着 Coding Agent 从单函数生成迈向解决真实企业级仓库 Issue（如 SWE-Bench 评测），智能体往往需要执行数十甚至上百步的复杂终端交互。为了防止智能体在错误的修复路径上越走越远，业界普遍引入“批评家模型（Critic）”进行监督。然而，现有的 Critic 机制面临两大致命缺陷：

1. 随评随忘与假性修复：传统 Critic 通常在生成一段自然语言建议后便结束本轮生命周期。当智能体做出看似符合建议、实则未能触及根本缺陷的浅层改动时，Critic 无法察觉，导致智能体自欺欺人；
2. 干扰有效探索与误诊风险：许多 Critic 缺乏对当前上下文执行证据的核验，在智能体正在打印日志或探测环境时横加干预，给出的错误反馈反而将原本正确的推理带入歧途；
3. 跨脚手架泛化脆弱：基于特定 Agent Harness（如 OpenHands）收集的数据微调小模型后，一旦迁移到新脚手架（如 Terminus-2），策略往往遭遇断崖式崩溃。

架构亮点与底层机制

针对上述痛点，Rutgers 与 Lehigh 团队打造了开创性的长程代码批评治理体系 Opera（arXiv:2609.33987）：

1. 持久诊断便签与全生命周期追踪（Persistent Note & Follow-up Tracking）：Opera 打破单次批评模式，将每次指出的缺陷固化为“持久随访便签”。系统持续追踪智能体的后续调用，严密区分“表面迎合（Mere Compliance）”与“实质解题（Actual Resolution）”，只有当证据链证实 Bug 消除后才标记闭环；
2. 混合触发机制（Hybrid Review Triggering）：融合周期性巡检与事件驱动触发（如连续报错、修改核心构建配置等），在关键决策点精准介入；
3. 强类型诊断算子与证据审计（Typed Operators & Evidence Auditing）：Critic 内部采用严密的类型化诊断算子，并在向智能体发送建议前，强制将自然语言反馈与终端可见的编译日志、测试输出进行交叉证据审计，杜绝主观臆测；
4. 高质量近似 On-Policy 轨迹蒸馏：Opera 在引导推演过程中收集的纠错轨迹，能够作为极高纯度的训练数据用于离线 SFT，使开源基座具备内生自省能力。

权威 Benchmark 与实测跑分对比

研究团队在横跨四大主流策略模型（包括闭源与开源前沿底座）及三大权威基准上展开严密评测：

1. 三大基准全面霸榜：作为推理期插件，Opera 使原始智能体在 Terminal-Bench 2.1 上的任务解决率狂揽 12.4 个百分点提升，在严苛的 SWE-Bench Pro 真实子集上暴涨 15.0 个百分点，在 DeepSWE v1.1 上提升 8.9 个百分点，平均解题率在所有同类 Critic 基线中位列第一；
2. 9B 小模型逆袭前沿大模型：仅使用 Opera 收集的引导轨迹微调开源模型 Qwen3.5-9B，在完全不外挂任何 Critic 的纯离线推理模式下，其在保留代码仓库上的 SWE-Bench Pro 解题率净增 10.2 个百分点，性能逼近直接使用顶配商业模型生成的训练数据；
3. 跨 Harness 迁移免疫：从 OpenHands 切换到 Terminus-2 运行环境时，常规微调模型的表现大幅崩塌，而经 Opera 轨迹训练的模型展现出极高的脚手架鲁棒性，性能保持平稳零衰减。

开发者实战落地与开箱指南

Opera 论文与完整工程代码现已全面开源（GitHub: dongyuanjushi/Opera）。对于正在研发企业级自治 Coding Agent、持续集成自动修 Bug 流水线的工程团队，盲目增加 Critic 的调用频次或单纯拼接 Prompt 是南辕北辙。正确的架构实践是：在 Agent Harness 中集成类似 Opera 的持久问题追踪状态机；将“缺陷指出”与“解决确认”设计为闭环事务，并在离线强化或微调阶段利用高质量的 Opera 诊断轨迹训练自修正小模型，以极低的 Token 开销铸造工业级自愈代码智能体。