小范围软件维护

# 小范围软件维护

前沿版本：2026-10-16.1；场景：software-maintenance
规划基准日：2026-10-13；下次复核：2027-01-13
首次整理/公开：2026-10-13；证据截止：2026-10-13；本次编辑：2026-10-13。规划锚点不代表新增情景当时已经存在。
证据状态：active


## 概念与例子：让AI做局部修改，并用独立检查验收

这里的维护是给定范围和环境的小变更，不是完整接管整仓工程。先证明缺陷可以复现，再检查补丁是否实现目标、原行为是否保持、过程是否越界。

例如修改串行队列的错误恢复，旧测试可能只检查正常输入。补丁需要独立反例覆盖冲突与中断，最后才由负责人决定是否接受或发布。

- 技术可委派：在给定输入、工具与质量门槛下，执行部分可交给AI。
- 实际委派：组织已经接入流程并真实采用，和技术上能做不同。
- 净人时：同工作量同质量下，计入准备、复核、返工、接管和维护后的人员时间变化。
- 提示注入：不可信网页或文件用文字诱导Agent改变目标或越权。
- 墙钟时间：从开始到结束实际经过的时间；同样6小时可以用不同数量的计算资源。
- 软件重建：从零复现参考程序的输入输出行为，交付新源码和构建方法，而不是修一个已有文件。

## 具体进展

### 长程与迁移评测检查完整交付

整仓迁移例如把Vue项目改为React，或把Flask服务改成Starlette：不只是代码能运行，还需确实迁移并保留必要行为。SWE Refactor Bench包含20项任务、8模型/26配置，每配置每任务运行一次，按任务给6–30小时预算，总计520次。[SWE Refactor Bench](https://arxiv.org/html/2608.23564v1)

520次中，340次通过迁移审查，118次通过全部固定行为检查，88次同时满足前两项，28次再通过六个独立验证器；13/20任务没有任何配置全过。118和340是不同检查的计数，不是依次下降的漏斗。全关通过也只证明通过这套检查，不能证明所有可能输入都行为等价。[SWE Refactor Bench](https://arxiv.org/html/2608.23564v1)

SWE-Marathon另研究多小时工程的失败诊断，但其标签只覆盖清洗后部分失败与任务家族，不能外推到全部运行。本轮未直接重核该论文的具体失败比例，故不以筛选分母代替能力结果。[SWE-Marathon 原论文](https://www.swemarathon.org/swe-marathon-paper.pdf)

相邻研究及其条件，尚未验证本场景的完成率或收益。
对应材料：[SWE-Marathon 原论文](https://www.swemarathon.org/swe-marathon-paper.pdf)、[SWE Refactor Bench](https://arxiv.org/html/2608.23564v1)

### 浏览器Agent的提示注入风险

提示注入是网页等外部内容诱导Agent偏离用户目标。2025-11-24研究报告Claude Opus 4.5与当时Chrome扩展防护的组合，使用强化学习、不可信内容分类器和人工红队改善浏览器鲁棒性；内部自适应攻击者对每个环境最多尝试100次，仍约有1%攻击成功率。[提示注入防御研究](https://www.anthropic.com/research/prompt-injection-defenses)

这个数是指定模型与防护、内部攻击配置的测试，不是任意Agent或生产泄漏率。它说明防御已有改善，也说明攻击不能只靠模型自律解决；本页未复跑攻击与防御。[提示注入防御研究](https://www.anthropic.com/research/prompt-injection-defenses)

相邻研究及其条件，尚未验证本场景的完成率或收益。
对应材料：[提示注入防御研究](https://www.anthropic.com/research/prompt-injection-defenses)

### Agensh扩展并行探索的实验

Agensh让多个工作者认领任务、并行实现、共享代码与状态。ProgramBench要求从零复现程序输入输出，例如Pandoc文档转换工具；实验采用GPT-5.6-sol(high)+Copilot、禁用互联网，给六小时墙钟时间。工作者先自验，再由同伴承担集成角色、通过Git合并，测试器只负责评估。[Agensh论文与附录](https://arxiv.org/html/2609.26781v1)

五个大型软件重建题中，1到128个实例的平均部分测试通过率从19.31%升至28.78%；仅Pandoc题从1到1024实例由33.89%升至55.06%，128到1024只增加4.12个百分点。实例渐进启动且分布多节点，未控制总token与费用；这些不是完整软件交付率，也不是同预算实验。[Agensh论文与附录](https://arxiv.org/html/2609.26781v1)

相邻研究及其条件，尚未验证本场景的完成率或收益。
对应材料：[Agensh论文与附录](https://arxiv.org/html/2609.26781v1)

### 这些研究怎样影响本场景（编辑推断）

迁移评测区分旧测试、目标变更和独立反例。本场景需要实际补丁满足变更契约，不能只交一份“测试通过”说明。

提示注入和权限问题属于执行过程。代码或报告正确，不能抵消Agent读取了不该读取的数据或执行未获准操作。

并行探索在指定预算和任务上有部分改善，但集成与协调另有费用。局部维护先用清楚的契约与少量执行者，再比较是否需要增员。

本场景应用推断；研究没有直接测量这份工作，幅度保持未知。
对应材料：

## 时间线

- 2026-10-13（条件推断建立 / 预测基准）：使用指定研究与当前任务标准提出场景判断，不是业务测量日。
  日期依据：本场景初始判断记录
- 2027-10-13（一年情景 / 目标日期）：隔离分支中的有限多文件修改可增加；人审阅目标行为、独立反例和合并风险。
  日期依据：从预测基准日起的一年检查点
- 2029-10-13（三年情景 / 目标日期）：若迁移目标、回归与独立反例持续可靠，常见改造可分阶段委派；架构取舍与上线仍需工程责任。
  日期依据：三年新增条件推断，不是原论文已经验证的结果

## 工作意义

先做下方最小试点，保存全部尝试和独立验收，再决定扩大范围。人承担的口径、接受与例外处理要具体记录。

### 后续观察

方向为条件推断，幅度未知；地区/语言/工具/人群不同不直接迁移。三年是本站条件推断的检查点，没有来源论文直接验证这个时间跨度。

## 证明材料

### SWE-Marathon 原论文

[SWE-Marathon 原论文](https://www.swemarathon.org/swe-marathon-paper.pdf)；类别：原始研究或机构项目说明；状态：active
支持：多小时工程诊断的研究范围与清洗后失败分母；不据此给出全运行失败标签比例。 对本场景仅提供相邻研究与验收参考。
定位：SWE-Marathon论文的诊断范围、失败筛选与任务家族说明；本轮未直接重核正文。
沿原文核对清洗条件与诊断覆盖，再使用任何标签比例。
原始发布：未知；修订：未提取；未从二进制资料猜测发布日期
继承原报告，未把本轮未读论文说成直接原文核验。
2026-10-14书目信息，非实验复验。

### SWE Refactor Bench

[SWE Refactor Bench](https://arxiv.org/html/2608.23564v1)；类别：研究预印本；状态：active
支持：20任务/26配置/520运行；迁移、固定行为与独立验证分别检查的结果计数。 对本场景仅提供相邻研究与验收参考。
定位：论文v1 §2.2/表1（任务预算）；§3.1（指标定义）；§3.2/表2（计数）。
Migrated与Meets Specification不是递减漏斗；88是二者交集，28是全部检查。
原始发布：2026-08-24；修订：未提取；arXiv v1提交记录；稿内其他日期不冒作修订日
指定任务与混合配置，不是某一模型通用成绩；全部检查通过不保证所有行为等价。
2026-10-14书目信息，非实验复验。

### Mitigating prompt injections in browser use

[提示注入防御研究](https://www.anthropic.com/research/prompt-injection-defenses)；类别：原始研究或机构项目说明；状态：active
支持：Opus4.5/当时Chrome防护组合、100次自适应尝试和约1%攻击成功率。 对本场景仅提供相邻研究与验收参考。
定位：Claude’s progress on browser use robustness及图注。
核对采集期、分母和处理路线；计数与攻击成功率各有不同适用范围。
原始发布：2025-11-24；修订：未提取；原始页面元数据 article:published_time
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
2026-10-14书目信息，非实验复验。

### Agensh: Scaling Organizational Intelligence to 1,024 Agents

[Agensh论文与附录](https://arxiv.org/html/2609.26781v1)；类别：研究预印本；状态：active
支持：软件重建指定模型/禁联网/六小时下实例规模与部分测试结果。 对本场景仅提供相邻研究与验收参考。
定位：§2.1（工作/合并）、§3.1（ProgramBench与预算）、附录C。
模型、任务、并发或队伍数与预算一起读；局部评分不当实际交付率。
原始发布：2026-09-22；修订：未提取；arXiv v1 Submission history
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
2026-10-14书目信息，非实验复验。

本页整理：2026-10-14；事实范围：2026-10-13。场景适配与未来情景为编辑推断，实际三个份额保持未知。

## 适用范围与当前边界
授权代码副本、有限变更、冻结测试和隔离工具；语言与业务按本地规格。
可先生成隔离环境中的修改候选，再独立测试和审阅；本站没有该完整维护场景的现场完成率。
方向为条件推断，幅度未知；地区/语言/工具/人群不同不直接迁移。三年是本站条件推断的检查点，没有来源论文直接验证这个时间跨度。
实际技术可委派、实际委派和净人时变化：未知。

## 一年 2027-10-13
- 保守：以单文件改动与测试建议为主，工程师查需求、回归和错误恢复。
- 基准：隔离分支中的有限多文件修改可增加；人审阅目标行为、独立反例和合并风险。
- 上行：若冻结私有任务全关验收稳定，可扩大受限改动；遇到无测试接口或隐含约束停下。

## 三年 2029-10-13
- 保守：迁移仍高返工，局部编码改善未形成稳定交付。
- 基准：若迁移目标、回归与独立反例持续可靠，常见改造可分阶段委派；架构取舍与上线仍需工程责任。
- 上行：跨版本多轮复测及真实接收都通过后，可扩大维护链；恢复、复杂依赖和例外处理仍要可接管。

## 上调与下调
上调：
- 同预算独立留出的质量、依赖与最终状态通过
- 复核返工维护后的合格交付全成本改善
- 真实接收者持续接受，过程约束与恢复通过
下调：
- 资料冲突、来源撤回或独立验收失败
- 越权泄漏、重复副作用或状态不明
- 复核返工增加、接收失败或净成本不改善

## 工作重组
可能减少：定位相关代码、整理复现日志；生成限定补丁、测试草稿与变更说明
仍需由人负责：确认需求与架构取舍；独立反例、代码审阅与最终接收
可能新增：隔离环境和依赖版本管理；工具权限、回归记录与失败恢复维护

## 最小试点

输入：
- 授权代码版本、可复现的缺陷输入与当前行为
- 明确变更契约、冻结回归用例与独立反例
- 隔离开发环境及修改/执行权限，发布范围另定
步骤：
- 保存复现证据，核对局部改动目标和未覆盖行为
- 实现限定补丁，运行原回归和针对变更的独立反例
- 检查实际完成了变更而不是绕过测试，记录恢复方式并交给负责人接受
验收：
- 缺陷按给定输入复现，补丁满足变更契约
- 行为保持、独立反例与过程边界共同通过，所有失败保留
- 原回归通过之外，确认目标缺陷确已修复；发布按实际范围与授权执行。
停止：关键证据/权限缺失或独立验收失败时，停依赖步骤，保留产物交回责任人。
负责人确认与现场动作要有真实记录；网页不是执行授权。

## 依据与任务
- /frontier/advances/ADV08.md?version=2026-10-16.1
- /frontier/advances/ADV10.md?version=2026-10-16.1
- /frontier/advances/ADV12.md?version=2026-10-16.1
- /frontier/advances/ADV24.md?version=2026-10-16.1
- /work-tasks/DEV-21670.md（任务版本单独从manifest读取）
- /work-tasks/DEV-21669.md（任务版本单独从manifest读取）

## 合成演算：不是实际预测

合成100h输出原型；工时/门槛/年份是人为输入，包络不是真实预测、概率区间或最坏界。当前/未来实际T、D、净人时未知。E不满足门槛仅为样例假设，不是永久人工职责。

先把同一工作量拆成步骤，预设各步骤的人工基线工时，再指定哪些步骤在此例中假设完整满足技术门槛。编号A–E只标步骤；步骤D与实际委派份额是两个对象。

本例技术满足比例T＝满足假设的步骤工时之和÷全部基线工时。若写成T＝Σwᵢqᵢ，wᵢ是该步骤占全部基线工时的比例，qᵢ在本例中由名单取0或1；它不是模型实测成功率。

实际委派份额还需要真实采用比例；净人时还需准备、复核、返工、接管和维护。在没有数据时，这两个量保持未知。

### 本例基线输入

- 步骤A：复现与定位，15小时
- 步骤B：局部实现，25小时
- 步骤C：测试执行，20小时
- 步骤D：独立反例与集成交接，20小时
- 步骤E：需求架构与接受发布，20小时
总基线：100小时。

### 假设与复算

**一年 2027-10-13**

- 保守：假设满足的步骤为C（测试执行）；20小时÷100小时＝20%。
- 基准：假设满足的步骤为B（局部实现）、C（测试执行）；45小时÷100小时＝45%。
- 上行：假设满足的步骤为A（复现与定位）、B（局部实现）、C（测试执行）；60小时÷100小时＝60%。

**三年 2029-10-13**

- 保守：假设满足的步骤为C（测试执行）；20小时÷100小时＝20%。
- 基准：假设满足的步骤为A（复现与定位）、B（局部实现）、C（测试执行）；60小时÷100小时＝60%。
- 上行：假设满足的步骤为A（复现与定位）、B（局部实现）、C（测试执行）、D（独立反例与集成交接）；80小时÷100小时＝80%。

上述百分比来自人为指定的工时与门槛，不是未来发生概率、可信区间或实际职业AI化比例。

## 本地回执
记录实际输入/环境/配置/授权、产物路径、全部尝试、逐项验收、最终状态、人的介入和人时、未知与恢复。默认不上传，不生成成功率或个人能力分。

## 修订
2026-10-13 2026-10-13.1：基于现有研究建立初始推断，无实际百分比
2026-10-13 2026-10-13.2：补齐具体主张对应原始来源；条件判断和实际未知保持
2026-10-13 2026-10-13.3：公开修订时间与预测基准分离，补齐审核/输出一致性；条件推断与实际未知不变
2026-10-13 2026-10-13.4：按具体场景补齐输入、动作和独立验收；实际比例与净收益仍未知
2026-10-14 2026-10-14.1：补概念、证据推断链与日期口径，原预测基准与实际未知不变
2026-10-14 2026-10-14.6：按逐页原文审阅更正研究条件与定位，区分适配推断并补场景化一年/三年；基准日及实际未知不变
2026-10-14 2026-10-14.12：按场景具体写明缩减/保留/新增工作；中文解释合成演算输入、变量与复算，不改变真实未知状态