目录

AI 代理、代码生成与开发流程

• • Viverra: Text-to-Code with Guarantees
• • Towards In-Depth Root Cause Localization for Microservices with Multi-Agent Recursion-of-Thought
• • Agentic AI in Industry: Adoption Level and Deployment Barriers
• • Documentation-Guided Agentic Codebase Migration from C to Rust
• • In-IDE Toolkit for Developers of AI-Based Features
• • Remember Your Trace: Memory-Guided Long-Horizon Agentic Framework for Consistent and Hierarchical Repository-Level Code Documentation
• • SWE-Chain: Benchmarking Coding Agents on Chained Release-Level Package Upgrades
• • Making OpenAPI Documentation Agent-Ready: Detecting Documentation and REST Smells with a Multi-Agent LLM System
• • Web Agents Should Adopt the Plan-Then-Execute Paradigm

代码检索、上下文工程与软件维护

• • Mining Subscenario Refactoring Opportunities in Behaviour-Driven Software Test Suites: ML Classifiers and LLM-Judge Baselines
• • Not All RAGs Are Created Equal: A Component-Wise Empirical Study for Software Engineering Tasks
• • When Retrieval Hurts Code Completion: A Diagnostic Study of Stale Repository Context
• • Correctness-Aware Repository Filtering Under Maximum Effective Context Window Constraints

安全分析、模糊测试与系统优化

• • Veritas: A Semantically Grounded Agentic Framework for Memory Corruption Vulnerability Detection in Binaries
• • Exploiting LLM Agent Supply Chains via Payload-less Skills
• • FuzzAgent: Multi-Agent System for Evolutionary Library Fuzzing
• • Failure-Guided Fuzzing for Hybrid Quantum-Classical Programs
• • SemaTune: Semantic-Aware Online OS Tuning with Large Language Models

程序语言、形式化方法与高性能系统

• • Complete Local Reasoning About Parameterized Programs Over Topologies
• • Mat2Boundary: Treating User-Defined Boundary Condition as SpMV for Distributed PDE Solvers on Block-Structured Grids
• • String Solving with Stabilization and Transducers (Technical Report)
• • The Complexity of Nested Reset Counter Systems
• • Synthesizing POMDP Policies: Sampling Meets Model-checking via Learning

AI 代理、代码生成与开发流程

Viverra: Text-to-Code with Guarantees

• • 作者：Haoze Wu, Rocky Klopfenstein, Keith Farkas, Nina Narodytska
• • arXiv URL：https://arxiv.org/abs/2605.14972v1

Abstract

Text-to-Code 的一个根本局限在于，我们无法对生成代码的正确性给出保证。因此，为了确保其正确，开发者仍然必须对生成代码进行审查、测试和维护。然而，阅读 LLM 生成代码的过程可能繁琐且耗时，进而抵消 AI 编码工具所承诺的生产率收益。为了解决这一问题，我们提出 Viverra，这一系统会在生成代码的同时自动产生形式化验证过的注释，以帮助用户理解所生成的程序。给定自然语言任务描述后，Viverra 会提示 LLM 合成一个 C 程序，并同时生成表达安全性与正确性性质的候选断言。随后，它通过一组有界模型检查器，以组合式、尽力而为的方式验证这些断言。在 18 个多样化编程任务上的评估表明，Viverra 能够高效生成附带已验证断言的代码；并且在一项包含 400 多名参与者的用户研究中，这些断言提升了用户在代码理解任务上的表现。

Towards In-Depth Root Cause Localization for Microservices with Multi-Agent Recursion-of-Thought

• • 作者：Lingzhe Zhang, Tong Jia, Kangjin Wang, Chiming Duan, Minghua He, Rongqian Wang, Xi Peng, Meiling Wang, Gong Zhang, Renhai Chen, Ying Li
• • arXiv URL：https://arxiv.org/abs/2605.14866v1

Abstract

随着现代微服务系统因动态交互和持续演化的运行环境而变得愈发复杂，其故障发生频率也在上升。因此，保障系统可靠性在很大程度上依赖于准确的根因定位（RCL）。尽管已有大量传统机器学习和深度学习方法被用于这一任务，但它们往往存在可解释性有限、跨部署迁移能力差的问题。近年来，基于大语言模型（LLM）的方法被提出以缓解这些问题。然而，现有 LLM 方法仍面临两个根本局限：上下文爆炸会稀释关键信据并降低定位精度，而串行推理结构会阻碍深入的因果探索并损害推断效率。本文系统研究了人类 SRE 在实践中如何执行根因定位，以及现有 LLM 方法为何表现不足。在这些发现的驱动下，我们提出 RCLAgent，这是一种面向微服务系统的深入根因定位框架，通过并行推理实现多代理递归思维。RCLAgent 沿着调用链路图分解诊断过程，为每个 span 分配专属代理，并按图拓扑以递归且并行的方式组织这些代理；最终诊断由根级诊断报告与全局证据图综合得到。在多个公开基准上的大量实验表明，RCLAgent 在定位精度和推断效率上都持续优于现有最先进方法。

Agentic AI in Industry: Adoption Level and Deployment Barriers

• • 作者：Spyridon Alvanakis Apostolou, Jan Bosch, Helena Holmström Olsson
• • arXiv URL：https://arxiv.org/abs/2605.14675v1

Abstract

Agentic AI 系统正在进入软件工程工作流，但关于工业组织究竟如何采纳它们的实证证据仍然稀缺。我们开展了一项定性访谈研究，覆盖 12 家公司中的 16 位从业者，这些公司在规模和领域上各不相同。该研究采用一个从既有 AI 驱动型组织框架改编而来的六级成熟度模型，对这些公司的当前 agentic AI 采纳状态进行表征。结果显示，7 家公司处于 Level 1（AI 助手），4 家公司处于 Level 2（AI 补偿者），仅 1 家公司达到 Level 3（多代理编排）；其中，大型组织和受安全监管的组织是最先进的采用者。最主要的发现是“能力部署验证缺口”：有 4 家公司已经展示出更高层级的实验性 AI 能力，但由于缺乏足够的输出验证机制，无法将其整合进生产工作流，因此人工在环仍是唯一被信任的验证机制。该缺口由四类反复出现的障碍塑造：LLM 上下文窗口限制，尤其是在需要聚合多样知识时；在专有编程语言和协议上的表现不足；与合格性标准不兼容的非确定性；以及数据保密问题。研究进一步提炼出这一缺口的两个相互依赖维度，即信息不对称和合格性缺失，它们共同界定了工业界集成 agentic AI 的一个核心开放问题。

Documentation-Guided Agentic Codebase Migration from C to Rust

• • 作者：Minh Le-Anh, Anh Nguyen Hoang, Bach Le, Nghi D. Q. Bui
• • arXiv URL：https://arxiv.org/abs/2605.14634v1

Abstract

将遗留 C 仓库迁移到 Rust 有望带来更强的内存安全性，但现有翻译器通常只在文件或函数层面工作，因而忽略体系结构意图。我们提出 RustPrint，这是一种文档引导的代理式框架，用于仓库级的 C 到 Rust 迁移。RustPrint 首先把源仓库转换为感知架构的文档，并将其视为迁移蓝图，用来捕捉模块结构、数据流、API 和设计原理。随后，编码代理使用这一蓝图来规划 crate、实现模块、检查可编译性、减少 unsafe 代码，并迭代改进翻译后的仓库。接着，RustPrint 会把 Rust 输出生成的文档与源文档进行比较，并把二者不匹配之处作为修复信号。它还会翻译并运行源测试套件，使运行时失败能够指导有针对性的修复。在 8 个真实 C 仓库上的实验表明，这些仓库规模从 1.1 万到 8.4 万行代码不等，RustPrint 在开源权重骨干模型（Kimi-K2-Instruct）和闭源骨干模型（GPT-5.4）下都能让所有目标仓库成功编译，而此前的 LLM 翻译器（Self-Repair、EvoC2Rust）则无法完成仓库级迁移。以开源权重 Kimi-K2-Instruct 为骨干时，RustPrint 在功能保留率（93.26% 对 52.52%）和交叉评测测试通过率（95.17% 对 79.85%）上都优于代理式 Claude Code 基线。这些结果表明，文档引导的协调机制是实现可扩展代码库迁移的一条有前景方向。

In-IDE Toolkit for Developers of AI-Based Features

• • 作者：Yaroslav Sokolov, Yury Khudyakov, Lenar Sharipov, Andrei Gasparian, Parth Tiwary, Artem Trofimov
• • arXiv URL：https://arxiv.org/abs/2605.14612v1

Abstract

构建在 LLM 和代理式工作流之上的 AI 功能往往难以测试、调试和复现，尤其是对于缺乏机器学习背景、以产品开发为导向的软件工程师而言更是如此。我们提出 JetBrains IDE 的 AI Toolkit 插件，它把 tracing 和 evaluation 直接带入 Run/Debug 循环。一项混合方法的从业者研究提出了三项一致需求：（1）让评测成为常规且可重复的活动；（2）在执行当下暴露轨迹；（3）最小化配置成本与上下文切换。围绕这些需求，AI Toolkit 引入了一套原生于 IDE 的工作流：运行触发的轨迹采集、即时的分层式检查、从轨迹一键 “Add to Dataset”，以及带有可插拔指标、类似单元测试的评测方式。其在 PyCharm 中的首个版本显示出积极的早期信号，包括在 Run 场景中推广时较强的转化率、对采集轨迹用户的持续使用，以及较低的流失率，这表明 IDE 原生的可观测性降低了使用门槛，并帮助开发者采纳更有纪律的实践。本文详细介绍了 AI Agents Debugger 和 AI Evaluation 的设计与实现，报告了初始采纳遥测结果，并概述了扩展框架覆盖面与扩大评测规模的下一步计划。总体而言，这些结果表明，把 AI 可观测性与评测整合进日常 IDE 工作流，能够在保留软件工程实践的同时，让现代 AI 开发对非机器学习专家也变得可达。

Remember Your Trace: Memory-Guided Long-Horizon Agentic Framework for Consistent and Hierarchical Repository-Level Code Documentation

• • 作者：Suyoung Bae, Jaehoon Lee, Changkyu Choi, YunSeok Choi, Jee-Hyong Lee
• • arXiv URL：https://arxiv.org/abs/2605.14563v1

Abstract

自动化代码文档对于现代软件开发至关重要，因为它为人类开发者和编码代理浏览大型代码库提供了上下文支撑。现有仓库级方法通常独立处理各个组件，这会造成重复检索、文档之间描述相互冲突，并产出缺乏层级结构的结果。因此，我们提出 MemDocAgent，这是一种长时程代理式框架，用于在覆盖整个仓库的单一集成上下文中生成文档。它包含两个组成部分：（i）依赖感知遍历引导，通过预先确定同时尊重依赖关系与粒度层级的遍历顺序；（ii）记忆引导的代理交互，其中代理与 RepoMemory 交互，而 RepoMemory 是一个通过读、写、验证操作持续积累既有工作轨迹的共享记忆。在一项深入的多指标评估中，MemDocAgent 在开源和闭源基线上都取得了最佳性能，并展示了其在真实软件开发工作流中的实际适用性。

SWE-Chain: Benchmarking Coding Agents on Chained Release-Level Package Upgrades

• • 作者：Man Ho Lam, Chaozheng Wang, Hange Liu, Jingyu Xiao, Haau-sing Li, Jen-tse Huang, Terry Yue Zhuo, Michael R. Lyu
• • arXiv URL：https://arxiv.org/abs/2605.14415v1

Abstract

由大语言模型驱动的编码代理，正越来越多地被期望去完成超越孤立 issue 修复的真实软件维护任务。现有基准已开始转向更贴近真实的软件演化场景，但很少能在包发布粒度上刻画持续性维护，而这一粒度正是变更被打包、发布并被后续版本继承的实际单位。我们提出 SWE-Chain，这是一项用于评估代理在链式发布级包升级任务上表现的基准，其中每次版本迁移都建立在代理之前修改过的代码库之上。为了生成升级规格，我们设计了一套分而治之的合成流水线，将每次版本迁移的 release notes 与代码 diff 对齐，从而确保需求扎根于真实代码变更、对代理具有信息量且可实现。SWE-Chain 包含 9 个真实 Python 包上的 12 条升级链，共 155 次版本迁移和 1,660 条有依据的升级需求。在 9 种前沿 agent-model 配置上的评测显示，在 Build+Fix 机制下，代理平均达到 44.8% 的 resolving、65.4% 的 precision 和 50.2% 的 F1，其中 Claude-Opus-4.7（Claude Code）表现最佳，分别为 60.8%、80.6% 和 68.5%。这些结果表明，SWE-Chain 既可行又具有区分度，同时也揭示出当前代理在连续的包发布升级中仍难以在不破坏既有功能的前提下完成正确升级。

Making OpenAPI Documentation Agent-Ready: Detecting Documentation and REST Smells with a Multi-Agent LLM System

• • 作者：Rayfran Rocha Lima, Davi G. Assunção Pinheiro, Thiago Medeiros de Menezes
• • arXiv URL：https://arxiv.org/abs/2605.14312v1

Abstract

AI 代理和模型上下文协议（MCP）的普及，推动了组织把现有 REST API 暴露为可供代理调用的工具。在我们的工业场景中，这一计划面向一个由 16 个生产 API 组成、约含 600 个端点的生态系统。尽管这些 API 在微服务架构中稳定且被广泛使用，但早期概念验证实验显示，当它们通过基于 MCP 的代理访问时，会在任务规划、工具选择和 payload 构造上出现系统性失败。我们并未把这些失败单纯归因于模型局限，而是对底层 OpenAPI 文档开展了生态系统规模的实证评估。我们开发了 Hermes，这是一种基于多代理 LLM 的系统，能够在端点级检测文档和 REST 相关的坏味道，并生成可解释的诊断报告。大规模评估在 600 个端点上识别出 2,450 个坏味道，并发现所有被分析操作都存在不足。实践者验证确认了这些问题检测结果的高度一致性，同时也揭示出修复决策中存在与具体情境相关的权衡。研究发现表明，在微服务环境中，结构层面的有效性并不保证语义层面已准备好供代理消费。基于这些证据，组织修订了其采纳策略，优先推进选择性端点适配、重新定义文档标准，并把自动化文档评估纳入 API 治理工作流。这个案例说明，系统性的工件级评估可以作为战略决策支持机制，降低技术风险，并引导以证据为基础的 AI 采纳。

Web Agents Should Adopt the Plan-Then-Execute Paradigm

• • 作者：Julien Piet, Annabella Chow, Yiwei Hou, Muxi Lyu, Sylvie Venuto, Jinhao Zhu, Raluca Ada Popa, David Wagner
• • arXiv URL：https://arxiv.org/abs/2605.14290v1

Abstract

ReAct 已成为 LLM 代理中的默认架构，许多现有网页代理也遵循这一范式。我们认为，对于网页代理来说，它并不是正确的默认选择。相反，网页代理应默认采用“先规划后执行”：在观察运行时网页内容之前，先提交一个任务特定的程序，然后执行它。其原因在于，网页内容混合了来自多方的输入。一个电商商品页可能同时包含卖家的商品描述、用户评论和赞助广告。在 ReAct 下，所有这些内容都会在决定下一步动作时流入模型，从而为 prompt injection 直接操控代理控制流提供通路。先规划后执行则改变了这一边界：不可信数据可以影响预定义执行图中的取值或分支，但不能重新定义用户任务，也不能让模型在运行时合成新动作。我们分析了流行网页代理基准 WebArena，发现所有任务都兼容先规划后执行，其中 80% 的任务甚至可以通过纯程序式计划完成，而无需任何运行时 LLM 子程序。我们识别出网页上采用这一范式的主要障碍：要让其有效运作，工具必须能够清晰映射到语义动作，并在执行前已知其效果，这样代理才能获得足够的信息来规划。但网页天然并不提供这种接口。诸如 click、type、scroll 等浏览器工具，其意义依赖于当前页面；在这一层进行规划会显得短视，因为代理只能看见当前页的动作，而后续动作要在执行后才显现。要弥合这一差距，需要类型化接口，将网站交互从点击和按键提升为任务级操作。这是基础设施问题，而不是建模问题。网页任务默认并不需要反应式架构；它们需要的是类型完备、可审计的网站 API。

代码检索、上下文工程与软件维护

Mining Subscenario Refactoring Opportunities in Behaviour-Driven Software Test Suites: ML Classifiers and LLM-Judge Baselines

• • 作者：Ali Hassaan Mughal, Noor Fatima, Muhammad Bilal
• • arXiv URL：https://arxiv.org/abs/2605.14568v1

Abstract

背景：行为驱动开发（BDD）软件测试套件会积累重复的步骤子序列。现有文献提出了三种重构模式（文件内 Background、仓库内可复用场景调用、跨组织共享的高层步骤），但此前尚无工作能够自动判断哪些重复子序列值得抽取，或应采用哪种机制。目标：对重复步骤子序列（“切片”）按重构适宜性（是否值得抽取）进行排序，并预先将其映射到三种模式之一，同时量化其在公开 BDD 生态中的普遍程度。方法：在一个由 339 个仓库、276 个上游所有者构成的 Gherkin 语料库中，对每个长度为 L（L 属于 [2, 18]）的连续步骤窗口，按照具备释义鲁棒性的聚类标识进行键控，并在三种作用域下计数。Sentence-BERT（SBERT）/ UMAP / HDBSCAN 被用于恢复在释义层面等价的切片。三位作者依据书面 rubric 对一个分层抽样得到的 200 个切片池进行标注。一个在 5 折交叉验证下训练的 eXtreme Gradient Boosting（XGBoost）“是否值得抽取”分类器，被拿来与一个调优过的规则基线和两个开源权重的大语言模型（LLM）裁判进行比较。结果：该挖掘器生成了 5,382,249 个切片，并归并为 692,020 个重复模式。三作者的 Fleiss' kappa 分别为 0.56（是否值得抽取）和 0.79（机制）。该分类器的折外 F1 达到 0.891（95% CI [0.852, 0.927]），优于规则基线（F1 = 0.836，p = 0.017）和表现较好的 LLM 裁判（F1 = 0.728，p < 1e-4）。75.0%、59.5% 和 11.7% 的场景分别包含文件内 Background、仓库内可复用场景或跨组织共享步骤的候选。结论：基于释义鲁棒性的子场景发现，能够给出 BDD 重构机会的全语料普查；整个流水线、分类器预测、标注池和 rubric 已在 Apache-2.0 下发布。

Not All RAGs Are Created Equal: A Component-Wise Empirical Study for Software Engineering Tasks

• • 作者：Qiang Ke, Yanjie Zhao, Hongjin Leng, Shengming Zhao, Haoyu Wang
• • arXiv URL：https://arxiv.org/abs/2605.14503v1

Abstract

尽管检索增强生成（RAG）正越来越多地被用于让大语言模型（LLM）扎根于软件工件，但其各组成部分在软件工程（SE）任务上的最优配置仍是一个开放问题。缺乏系统性指导，迫使实践者进行代价高昂、临时拼凑式的试验。本文提出一项全面的、按组件拆解的实证研究，对 RAG 流水线进行剖析，评估了超过 21 种不同模型和方法。我们的研究系统地隔离并评估了 4 类查询处理技术、7 类检索模型（覆盖稀疏、稠密和混合范式）、4 类上下文精炼方法，以及 6 类不同生成器。我们在 3 个核心 SE 任务上测试这些组件：代码生成、摘要和修复。实证结果揭示了一个关键洞见：检索侧组件，尤其是检索算法的选择，往往比生成模型的选择对最终系统性能影响更大。引人注目的是，经典词法检索器 BM25 在多种任务上都表现出异常稳健的性能。我们的分析为研究者和实践者提供了一条基于数据的实用路线图，明确指出在构建面向软件工程场景的高效 RAG 系统时，应优先优化哪些环节。

When Retrieval Hurts Code Completion: A Diagnostic Study of Stale Repository Context

• • 作者：Haojun Weng, Qianqian Yang, Hao Fu, Haobin Pan, Xinwei Lv
• • arXiv URL：https://arxiv.org/abs/2605.14478v1

Abstract

背景：检索增强代码生成依赖跨文件的仓库上下文，但被检索到的代码片段可能来自已经过时的项目状态。目标：我们研究时间上陈旧的仓库片段究竟只是无害噪声，还是会主动诱导生成与当前状态不兼容的代码。方法：我们在一个经过精心构造的 17 个样本集合上开展受控诊断研究，这些样本来自 5 个 Python 仓库中生产辅助函数签名的变更。对每个样本，我们比较了仅当前、仅过时、无检索、以及当前/过时混合检索四种条件；在提示中，我们刻意隐藏提交新旧信息和当前期望签名。结果：在中性化提示下，仅过时检索在 Qwen2.5-Coder-7B-Instruct 的 15/17 个样本，以及 gpt-4.1-mini 的 13/17 个样本中诱发了对过时辅助函数的引用，相比仅当前检索，分别增加了 88.2 和 76.5 个百分点。无检索条件不会产生过时引用，但只有 1/17 的补全通过测试。两种模型在会被陈旧上下文触发的样本集合上有 75.0% 的 Jaccard 重叠，而混合条件显示，加入有效的当前证据后，通常能够大幅挽救仅过时条件下的失败。结论：被检索仓库上下文的时间有效性，是 Code RAG 鲁棒性中的一个独立诊断变量：陈旧上下文会主动把模型推向过时仓库状态，而不只是移除了有用证据。

Correctness-Aware Repository Filtering Under Maximum Effective Context Window Constraints

• • 作者：Shweta Mishra
• • arXiv URL：https://arxiv.org/abs/2605.14362v1

Abstract

上下文窗口效率是基于大语言模型（LLM）的开发者工具中的一个实际约束。Paulsen [12] 表明，所有测试模型在远未达到其宣称上下文上限之前，准确率就已开始下降，这一定义了最大有效上下文窗口（MECW），使得上下文构建不仅是成本问题，更是质量问题。现代软件仓库中常常包含大型非代码工件，如编译数据集、二进制模型权重、压缩后的 JavaScript bundle 和 GB 级日志文件，它们会溢出上下文窗口，并把任务相关的源代码挤出去。我们提出一种“正确性感知”的上下文卫生框架：一种执行前、基于文件大小的启发式过滤器，在 tokenization 之前拦截仓库扫描，仅使用操作系统级 stat() 元数据，并具有亚毫秒级开销。诸如 RepoCoder、GraphRAG 和基于 AST 的 chunking 等语义检索方法，需要在做出任何过滤决策之前先完成索引构建和查询时推断。相比之下，我们的框架不需要索引，并且每个文件的决策耗时低于 0.01 毫秒。在 10 个真实开源仓库（22,046 个文件、5 种语言）上的实验中，所提出的 SizeFilter 在阈值 θ = 1 MB 时，以 0.30 毫秒开销实现了平均 79.6%（±13.2%）的 token 减少；HybridFilter 则达到 89.3%（±9.0%），并且方差在所有过滤器中最低。一项覆盖 2,688 个文件的 token 密度研究证实，文件大小与 token 数之间存在很强的线性相关性（Pearson r = 0.997，k = 0.250 tokens/byte）。在一个有限范围评估（18 个任务，CodeLlama-7B-Instruct）中，启用过滤后达到 72% 的文件级准确率，而基线仅为 25%；幻觉频率则从 61% 降至 17%。所有代码与数据均已公开，以支持可复现性。

安全分析、模糊测试与系统优化

Veritas: A Semantically Grounded Agentic Framework for Memory Corruption Vulnerability Detection in Binaries

• • 作者：Xinran Zheng, Alfredo Pesoli, Marco Valleri, Suman Jana, Lorenzo Cavallaro
• • arXiv URL：https://arxiv.org/abs/2605.15097v1

Abstract

在剥离符号的二进制程序中检测内存破坏漏洞，需要从低层次、信息有损的表示中恢复对象语义、跨过程传播关系以及可触发的执行条件。近期基于 LLM 的方法提升了代码理解能力，但要实现可靠检测，仍需要扎根于与内存相关的语义以及运行时可行性证据。我们提出 Veritas，这是一种语义扎根的二进制内存破坏漏洞检测框架。Veritas 结合了三个部分：其一，是在 RetDec 提升得到的 LLVM IR 之上的静态切片器；其二，是一个双视图 LLM 检测器，它利用反编译得到的 C 和经过选择的 LLVM IR，围绕扎根的传播关系逐步推理；其三，是一个多代理验证器，它依据调试器可见的工件和运行时证据来检查假设。切片器从 LLVM IR 事实中重建值流关系，包括 def-use、调用、返回、全局变量和指针操作，并输出紧凑且带有见证的 flow 对象。检测器利用这些工件，在无需重新发现整个二进制传播过程的前提下，推理控制流、边界和对象对应关系。验证器则通过引导式调试、断点检查和内存检查 oracle 来确认或否定候选项。我们将 Veritas 实现为一个模块化流水线，并在一个经过整理的真实世界二进制漏洞基准上进行评估。Veritas 达到了 90% 的召回率。在假阳性评估中，我们对 623 个检测器候选进行了穷尽式验证和人工核验，并对更大规模案例中的额外候选进行了审计。穷尽子集没有产生假阳性，而额外审计发现了两个已确认的假阳性。在一个真实世界应用中，Veritas 发现了一个此前未知的 Apple 漏洞，该漏洞随后被确认并分配了 CVE。这些结果支持把“语义扎根”视为构建实用型二进制漏洞检测系统的一项操作性设计原则。

Exploiting LLM Agent Supply Chains via Payload-less Skills

• • 作者：Xinyu Liu, Yukai Zhao, Xing Hu, Xin Xia
• • arXiv URL：https://arxiv.org/abs/2605.14460v1

Abstract

由大语言模型（LLM）驱动的自主代理，会通过开放市场中的第三方技能获得外部功能。采纳这些集成会扩大潜在攻击面，因此需要系统性的安全评估。当前的审计机制能够有效识别显式代码载荷和预定义威胁内容，因为这些内容可以通过安全扫描被检测出来。但如果恶意行为并非直接注入，而是借助代理固有的生成能力在运行时动态合成，那么这些检测机制就会被绕过。围绕这一盲点，我们提出语义合规劫持（Semantic Compliance Hijacking，SCH），这是一种面向自主编码环境、无显式载荷的供应链攻击。SCH 将恶意目标转译为非结构化的自然语言指令，并把它们伪装成必要的合规规则，从而诱导代理生成并执行未授权代码。为了评估该攻击在现实中的可行性，我们开发了一条自动化流水线，在涵盖三种主流代理框架和三种不同基础模型的测试矩阵上，基于语境化场景评估其有效性。结果表明，这种威胁具有普遍性：在最脆弱的配置下，SCH 在机密性泄露上的最高成功率达到 77.67%，在远程代码执行（RCE）上的最高成功率达到 67.33%。此外，引入多技能自动优化（MS-AO）后，攻击效果还得到进一步提升。由于省略了可识别的抽象语法树（AST）特征和显式有害意图，这些被操纵的技能文件保持了 0.00% 的检测率，从而绕过了现有扫描工具。本研究揭示了代理供应链中一个尚未被充分探索的攻击面，并指出需要从基于签名的检测模型转向基于语义意图验证的防御模式。

FuzzAgent: Multi-Agent System for Evolutionary Library Fuzzing

• • 作者：Yunlong Lyu, Peng Chen, Fengyi Wu, Junzhe Yu, Kit Long Hon, Hao Chen
• • arXiv URL：https://arxiv.org/abs/2605.14431v1

Abstract

面向库的模糊测试对于强化软件供应链至关重要，但要在大规模场景中采用它仍然代价高昂。实践者仍需投入大量精力进行环境配置，难以生成满足复杂 API 约束的 harness，而且缺乏可靠手段区分真实库缺陷和由 harness 引起的崩溃。近期基于 LLM 的系统自动化了该流程的一部分，但它们通常作为一次性代码生成器运行，忽略了运行时反馈，这限制了其可达代码深度以及报告缺陷的有效性。我们认为，有效的库模糊测试本质上是迭代式的：每一轮测试活动都会暴露新的覆盖率瓶颈和崩溃信号，而下一轮活动应当从这些信号中演化，而不是重新从零开始。基于这一认识，我们提出 FuzzAgent，这是一种多代理系统，它将库模糊测试转化为一个演化过程：一组专门化代理围绕完整模糊测试生命周期进行协作，并把每一个决策都扎根于具体的运行时证据，使 harness 套件能够在多轮迭代中不断改进，从而获得更深覆盖和更高保真的崩溃分析。我们在 20 个真实 C/C++ 库上，将 FuzzAgent 与四个最先进基线（OSS-Fuzz、OSS-Fuzz-Gen、PromptFuzz 和 PromeFuzz）进行比较。FuzzAgent 在全部 20 个库上都能在无人工干预下完成完整模糊测试生命周期，并达到 179,619 个分支覆盖，分别比 OSS-Fuzz、PromptFuzz、PromeFuzz 和 OSS-Fuzz-Gen 高 45.1%、73.2%、92.1% 和 191.2%。FuzzAgent 还识别出 102 个真实库缺陷，其中 78 个已被上游维护者确认并修复。

Failure-Guided Fuzzing for Hybrid Quantum-Classical Programs

• • 作者：Lei Zhang
• • arXiv URL：https://arxiv.org/abs/2605.14219v1

Abstract

混合量子-经典（HQC）算法，如变分量子本征求解器（VQE）和量子近似优化算法（QAOA），是近期量子计算的核心，但它们仍然难以测试。基于采样的模糊测试可以暴露错误或不收敛的配置，但在现实执行预算下，它可能错过经典优化器设置与量子电路参数联合空间中的高失败风险区域。本文研究面向 HQC 程序的失败引导型模糊测试。它将一个混合输入建模为经典优化器超参数与量子电路参数的二元组，并评估一种两阶段策略：先搜索不收敛的种子，再围绕这些种子对电路参数进行局部模糊测试。为了理解改进收益来自哪里，本文比较了五种受预算约束的策略：随机混合测试、无模糊测试的经典枚举、随机种子局部模糊、枚举种子局部模糊，以及 concolic 种子局部模糊。该研究在 Qiskit 中基于一个 VQE 实例和一个 QAOA MaxCut 实例实现。结果表明，失败引导的局部模糊测试，是相对于随机测试取得改进的主要驱动力；而 concolic 种子发现会在 VQE 上带来额外收益，但在 QAOA 上稳定性较差。这些发现表明，复用失败信息是 HQC 测试的一个有前景方向，但 concolic 种子发现的价值依赖于具体工作负载。

SemaTune: Semantic-Aware Online OS Tuning with Large Language Models

• • 作者：Georgios Liargkovas, Mihir Nitin Joshi, Hubertus Franke, Kostis Kaffes
• • arXiv URL：https://arxiv.org/abs/2605.15026v1

Abstract

在线操作系统调优能够改善长时间运行服务的表现，但现有控制器并不适合真实主机。它们把调度器、功耗、内存和 I/O 控制项都视为黑盒变量，并围绕单一标量奖励进行优化。这种视角忽略了调优旋钮之间的策略结构；当应用侧指标不可用时会失效；而且还可能把正在运行的服务推进到即便移除错误设置后也会持续存在的退化区域。我们提出 SemaTune，这是一种带有受限语言模型引导的主机侧稳态 OS 调优框架。SemaTune 把旋钮模式、遥测数据、当前配置、近期动作-响应历史，以及检索得到的既往运行信息压缩为一个紧凑的决策上下文。一个快速循环提出低延迟更新，一个较慢的循环定期修订搜索策略，而每个拟议变更在到达内核或 sysctl 接口之前，都要通过类型化验证。这样，控制器就能够在约束模型成本、延迟和权限的同时，理解 OS 控制项的语义以及间接性能信号。我们在来自五个基准套件的 13 个在线工作负载上评估 SemaTune，调优参数最多达到 41 个 Linux 参数。相较于默认设置，SemaTune 在整个套件上的稳态性能提升为 72.5%；相较于最强的非 LLM 基线，提升为 153.3%。一次 30 个时间窗的会话在模型调用上的成本约为 0.20 美元。即便只使用主机级指标，SemaTune 相对那些直接获得应用目标的基线，仍高出 93.7 个百分点，同时避免了结构盲探索所达到的严重退化区域。

程序语言、形式化方法与高性能系统

Complete Local Reasoning About Parameterized Programs Over Topologies

• • 作者：Ruotong Cheng, Azadeh Farzan
• • arXiv URL：https://arxiv.org/abs/2605.15143v1

Abstract

本文研究在一类丰富通信拓扑之上的无限状态参数化并发程序的算法化安全验证问题。目标是自动产生一种以全称量化归纳不变式形式给出的正确性证明，其中量化对象是拓扑中的节点。我们说明，在对底层拓扑作出合理假设的前提下，该问题可以被化约为、并以一种完备方式作为组合式方案来求解：也就是说，对参数化程序族的验证可以被归约为一组局部证明。我们提出了一种验证算法，并将其实现为工具；同时通过覆盖多种不同拓扑的一组基准展示，我们的方法在证明参数化程序安全性方面是有效的。

Mat2Boundary: Treating User-Defined Boundary Condition as SpMV for Distributed PDE Solvers on Block-Structured Grids

• • 作者：Yanzheng Cai, Mingzhe Zhang, Shengqi Chen, Haoyuan Song, Wenguang Chen
• • arXiv URL：https://arxiv.org/abs/2605.14780v1

Abstract

边界条件（BC）处理是结构化和块结构化网格上 PDE 求解器复杂性的一个主要来源，尤其是在高阶方法和分布式内存执行场景中。我们提出 Mat2Boundary，这是一种面向边界计算的 DSL 与编译器，它把广泛的一类边界条件建模为仿射稀疏线性算子。这一抽象统一了 halo 拷贝、循环与对称映射、零填充、块边同步以及用户定义插值，同时通过一个模块化的基础子矩阵接口暴露出声明式组合能力。为了让该表示足够高效，Mat2Boundary 结合多阶段编程与多面体分析，为规则场景生成无矩阵内核、为不规则场景支持用户定义稀疏矩阵、消除冗余边界工作，并为分布式执行综合可复用的通信调度。在两个基于立方球网格的浅水方程求解器以及 HPCG 上的评估表明，Mat2Boundary 可使 BC 内核提速最高达到 7.6 倍，将 BC 代码量减少超过 70%，并在 1,344 个 CPU 核上以 72% 到 88% 的效率扩展。

String Solving with Stabilization and Transducers (Technical Report)

• • 作者：David Chocholatý, Vojtěch Havlena, Lukáš Holík, Ondřej Lengál, Juraj Síč, Michal Šedý
• • arXiv URL：https://arxiv.org/abs/2605.14872v1

Abstract

我们推广了一种高效的、基于自动机的字符串约束求解方法，即 Z3-Noodler 求解器背后的基于稳定化方法，使其能够支持由有限状态变换器表示的关系约束（例如可用于建模 replaceAll 约束）。我们重点关注长度约束的高效处理，方法是减少对代价高昂的连接消除的依赖，因为这一步是基于自动机的字符串求解中的主要瓶颈。我们还提出了若干强力启发式策略，在实践中显著提升了性能。该方法实现于 Z3-Noodler 之上，在带有关联约束的基准上，性能远超现有求解器：它能求解更多实例，并且运行速度快出若干数量级。

The Complexity of Nested Reset Counter Systems

• • 作者：A. R. Balasubramanian, Franzisco Schmidt
• • arXiv URL：https://arxiv.org/abs/2605.14850v1

Abstract

嵌套计数器系统（NCS）是计数器系统向高阶计数器的推广。在这里，一个高阶计数器允许以其他（更低阶）计数器作为其元素，而不只是一个数字。这类系统可以被看作在树结构上工作，而树的高度自然对应于系统正在操作的最高阶计数器。已知 NCS 的覆盖性问题，即给定初始树后某个最终树是否可被覆盖，属于快速增长复杂度层级中的 F_{ε_0} 完全问题。本文研究 NCS 的一个扩展，即带重置的嵌套计数器系统（NRCS），它在 NCS 基础上加入了 reset。我们证明，对于 order-k 计数器上的 NRCS，覆盖性问题是 F_{Ω_k} 完全，其中 Ω_k 是高度为 k 的 ω 序数塔。这给出了覆盖这些复杂度类别的首个自然完全问题层级。此外，为了证明上界，我们还为有限集合上任意固定次数的多重集操作建立了长度函数定理。作为结果的应用，我们改进了 XML 处理、图变换系统、π 演算、逻辑以及参数化验证等多个问题的现有上界。进一步地，利用我们关于 k-NRCS 的完全性结果，我们还证明了来自参数化验证和逻辑领域的相关问题，对所有 k 都是 F_{Ω_k} 完全的。

Synthesizing POMDP Policies: Sampling Meets Model-checking via Learning

• • 作者：Debraj Chakraborty, Anirban Majumdar, Prince Mathew, Sayan Mukherjee, Jean-François Raskin
• • arXiv URL：https://arxiv.org/abs/2605.14440v1

Abstract

部分可观测马尔可夫决策过程（POMDP）是在不确定性下进行决策的标准框架。基于采样的方法虽然具有良好的可扩展性，但缺乏形式化正确性保证，因此不适用于安全关键应用。相反，形式化综合技术能够提供“按构造正确”的保证，但通常难以扩展，因为一般 POMDP 综合问题是不可判定的。为了弥合这一差距，我们提出一个综合框架，将采样、自动机学习和模型检查结合起来。受 Angluin 的 L* 算法启发，我们的方法使用采样作为 membership oracle，使用模型检查作为 equivalence oracle。这使得在由采样诱导的策略是正则的前提下，能够综合出带有形式化保证的有限状态控制器。我们还为该框架建立了一个相对完备性结果。原型实现上的实验结果表明，该方法能够成功求解那些现有形式化综合工具仍然难以处理的阈值安全问题。我们相信，该算法可作为应对 POMDP 综合问题内在困难的一种组合式求解方案中的有价值组件。