推理努力而非工具访问带来代理代码生成的首次尝试可靠性：一项观察性研究

本研究通过 90 次独立代理运行构建同一实时回顾板应用，评估了额外能力（如测试工具、设计提示）对软件质量的影响。结果显示，模型能力层级起主导作用；测试工具增加了 42%-68% 成本却未提升功能得分或可靠性。相反，将推理努力从“高”提升至“极高”，使首次完美运行率从 28% 跃升至 89%，修正提示减少五倍。研究表明，多数首次失败源于推理薄弱而非可见缺陷，因此应匹配修复方案与失败根源，即增强模型或增加推理投入。