超越孤立任务：一个在序列软件进化中评估编码代理的框架

现有编码代理数据集仅以无状态方式评估孤立任务，无法反映现实软件开发中代码累积、技术债务增长及测试套件演进的真实性。为此，本文提出自动化任务生成框架及 SWE-STEPS 数据集，通过对话式迭代请求和基于需求文档的单次编码两种场景，评估代理在依赖链式 PR 中的表现。研究发现，孤立评估因忽略先前低效或错误代码的溢出效应，导致成功率虚高约 20%；即便代理解决问题，其生成的代码认知复杂度与技术债务仍高于人类，凸显多维评估的必要性。