杜绝盲目脑补与冗余打扰！代码生成选择性提问框架 CONTRA 发布：F1 提升 13.88% 并在 Claude Code 插件开源

核心背景与行业痛点

随着 Claude Code、Cursor、OpenHands 等自主编程智能体席卷软件工业界，智能体在‘需求理解与主动澄清’维度的缺陷已成为导致生产故障的核心来源：

1. ‘盲目脑补（Silent Assumption）’埋下重大隐患：当面对未指明浮点数精度、时区格式或异常边界条件的需求时，大模型往往静默选择一种默认实现。代码能顺利通过初筛甚至单元测试，但在真实生产环境中引发严重资损；
2. ‘过度发问（Question Fatigue）’破坏开发体验：如果强制让 Agent 见疑就问，模型往往会提出大量完全不影响底层核心算法逻辑的表面琐碎问题（如‘变量命名是否需要大驼峰’），导致开发者频繁被打断，失去耐心；
3. 缺乏代码执行层面的事实鉴权：以往的研究仅在自然语言语义层面判断问题是否相关，无法验证该问题是否真的会导致最终执行逻辑发生实质性分支偏离。

架构亮点与底层机制

针对人机协作澄清的平衡难题，北大与武大团队提出了基于行为差分校验的免训练框架 CONTRA（arXiv:2610.01769，开源地址：github.com/fangz-cs/Contra）：

1. 全景候选问题发掘与去冗（Broad Question Discovery）：基于初始需求全面发掘潜在未决点，利用初始 Prompt 中的既定事实自动剔除已被覆盖的无效问题；
2. 语义与执行双重行为鉴权（Execution-based Question Qualification）：这是 CONTRA 的核心灵魂。针对发掘出的每一个候选问题，系统在后台预设多种合理的假设答案，并驱动模型在隔离沙箱中并行生成对应的 Python 代码。通过向两份代码输入相同测试用例并比对输出结果，严格判定该问题是否为‘行为改变型问题（Behavior-Changing Question）’：若不同回答下生成的代码执行行为一致，则判定该问题无实质工程价值，立即静默过滤；
3. 历史自适应提问选择（History-Aware Adaptive Selection）：结合多轮交互历史动态计算当前提问的边际信息增益，当剩余不确定性已不影响主干执行时自动触发停止指令，将打扰降至最低；
4. 生产级 Claude Code 原生插件：团队将该框架工程化封装为 Claude Code 与 OpenHands 的开源原生插件，支持开发者在命令行 IDE 中直接加载使用。

权威 Benchmark 与实测跑分对比

研究团队在包含多种不完备规格编程挑战的权威基准 ClarifyCodeBench 上，对 GPT-5.5、GPT-5-mini、Grok 4.5 与 Gemini 3.1 Pro 展开了全方位评测：

1. F1 与有效提问率实现跨越式领跑：在所有被测基座模型上，CONTRA 均斩获了全场最高的 F1 分数与时间折扣关键问题率（TKQR）。其宏平均 F1 达 41.20%，TKQR 达 38.32%，分别高出此前业界最优 Baseline 13.88 与 12.33 个百分点；
2. 精准击碎脑补与冗余双重死角：在 GPT-5.5 基座下，传统直接提问（Direct Prompting）虽然准确率达 59.32%，但召回率仅有惨淡的 15.12%（绝大多数关键盲区被静默脑补）；CONTRA 在维持 50.15% 高准确率的同时，将关键问题召回率暴增至 36.72%（提升超过 1.4 倍）；而在容易过度发问的轻量级模型 GPT-5-mini 上，CONTRA 将提问准确率从 13.58% 骤升至 36.20%；
3. 商业级 Harness 横评全面胜出：在使用 Qwen3.8-27B 作为统一基座对比官方 Claude Code、OpenHands 与原生 Agent 时，CONTRA 凭借执行级鉴权展现出最低的假阳性提问率（FPR），在完全无歧义的完备需求下几乎做到了零打扰。

开发者实战落地与开箱指南

CONTRA 的开源为正在打磨 AI 代码助手、交互式需求分析 Agent 的团队提供了开箱即用的落地利器：

1. 一键接入 Claude Code 工作流：通过克隆 GitHub 官方仓库（github.com/fangz-cs/Contra），在本地通过插件配置即可无缝挂载到 Claude Code 运行环境中，在接收复杂需求时自动开启行为改变型问题筛查；
2. 在 Agent 中引入‘影子沙箱试跑鉴权’理念：不要在自然语言层面猜测需求是否需要确认。在后台利用轻量级 LLM 快速试写两种答案的代码并执行差分比对，若执行结果无差异则果断免确认继续推进；
3. 建立关键提问预算（Turn Budget）：在真实人机协作中设置严格的提问轮次上限，优先将提问机会留给通过 CONTRA 鉴权且影响核心数据流的关键因果节点。