别再只让大模型写代码了！Meta与斯坦福联合提出“代码即脚手架”，重构AI智能体引擎

Code as Agent Harness

长期以来，业界对大模型代码能力的关注点，大多停留在“AI写代码”这一单一结果上。

ArXiv URL：http://arxiv.org/abs/2605.18747v1

论文原图：用于辅助理解核心方法或实验结果。

人们惊叹于模型能通过算法竞赛，或者能写出精妙的前端网页。

但在Meta、斯坦福大学和UIUC的最新联合研究中，这一固有认知被彻底打破。

他们提出了一种名为 代码即智能体脚手架（Code as Agent Harness）的全新范式。

在这套理论中，代码不再仅仅是需要生成的最终产品。

它已经演变为智能体进行推理、行动、环境建模以及验证的底层执行介质。

告别“缸中之脑”：为什么是代码？

纯文本的 大语言模型（Large Language Models, LLMs）就像是一个极其聪明的“缸中之脑”。

它能进行深度的思维推演，但却无法直接感知和改变外部的物理与数字世界。

为了让它成为真正能干活的智能体，我们需要为其穿上一套精密运转的“数字外骨骼”。

这套外骨骼包含了API接口、记忆系统、执行沙箱和反馈通道，学术界称之为Harness（脚手架）。

该研究敏锐地指出：代码，正是构建这套外骨骼神经系统最完美的材质。

相比于模糊的自然语言，代码具备三个无法替代的杀手级特性。

首先是 可执行性（Executability），模型的输出直接转化为具有确定结果的操作。

其次是 可检查性（Inspectability），复杂的中间计算过程被暴露为结构化的追踪日志。

最后是 状态性（Statefulness），不断演进的程序维持着任务跨步骤的持久化进度。

围绕这三个特性，该研究将代码在系统中的作用划分为三个紧密相连的层级。

接口层：为外骨骼接入神经元

在第一层，代码充当了智能体与任务环境之间最基础的接口。

它将大模型的输出，转化为可执行、可检查的结构化介质。

1. 用代码武装推理（Code for Reasoning）

纯文本的 思维链（Chain-of-Thought, CoT）在复杂数学计算中极易产生幻觉。

通过 程序委托推理（Program-Delegated Reasoning），模型不再自己做算术题。

它将计算逻辑写成可执行的程序，交给外部解释器去运行求值。

更进一步，引入 形式化验证（Formal Verification）语言（如 $Lean$ 或 $Coq$）。

这相当于给AI的推理大脑加上了一把绝对严谨的“逻辑锁”。

每一个推导步骤都可以被数学定理证明器无情地审核，从而杜绝逻辑断层。

2. 用代码驱动行动（Code for Acting）

当智能体需要操控机械臂或浏览网页时，代码就成了行动的直接指令。

它不再只是输出“向前移动”这样的自然语言，而是生成可编程的策略代码。

在 具身智能（Embodied AI）系统中，这些生成的程序包含了控制逻辑与反馈循环。

甚至，像 Voyager 这样的智能体，能在沙盒游戏中不断编写新的技能代码。

这些代码被沉淀为可复用的技能库，让外骨骼的“运动神经”实现了终身进化。

3. 用代码表征环境（Code for Environment Modeling）

物理世界和复杂的软件环境是动态且难以直接理解的。

通过代码库、测试套件和执行日志，智能体建立起对世界状态的结构化认知。

例如在 软件工程基准测试（SWE-bench）中，环境不再是一段文字描述。

而是由成千上万行代码、单元测试和 Git 提交记录组成的真实沙箱。

运行测试产生的 $Trace$ 报错信息，就是环境给予智能体最真实的触觉反馈。

机制层：让外骨骼自动运转

完成了神经元的接入，智能体还需要在没有人类干预的情况下长期存活。

这就来到了第二层：代码驱动的脚手架机制。

这一层解决了长周期任务中的规划、记忆、工具调用和反馈控制问题。

在执行复杂软件开发任务时，智能体会利用代码将大目标拆解为子函数。

它不仅规划行动路径，还会主动编写测试脚本（$Tests$）作为验证自己工作进度的锚点。

当执行出现异常时，基于代码的反馈控制循环便被激活。

智能体捕获运行时错误（$Runtime\ Errors$）和静态分析警告，进行自我修正。

这种不断“编写-执行-报错-修复”的闭环，正是代码脚手架自适应能力的核心。

记忆机制同样被代码重塑。

过去的经验不再仅仅是对齐到向量数据库中的文本片段。

它们变成了版本控制系统中的提交记录，或者是经过验证的代码片段。

外骨骼的“记忆中枢”因此变得高度结构化且随时可被重新编译执行。

扩展层：多机甲联合作战

当单个智能体的能力达到瓶颈，系统便需要向多智能体协同演进。

在纯文本聊天中，多个智能体极易因为语义的模糊性而产生沟通歧义。

但在代码脚手架的理念下，协同的媒介变成了共享的代码制品。

这就像是多个机器人在同一个虚拟车间里围绕一份图纸协同工作。

一个智能体扮演架构师，负责定义 API 接口和数据模型（$Schemas$）。

另一个扮演程序员，负责填充核心逻辑；还有一个则是冷酷的测试员。

它们通过审查 $Pull\ Requests$、合并代码和触发持续集成流（$CI/CD$）来交流。

这种基于代码状态共享的协作模式，极大降低了群体智能的协调成本。

同时，代码的严格语法和编译规则，天然地为多体协同提供了防撞护栏。

确保了群体的每一次进化都是可审查、可验证、不发生灾难性回退的。

走向未来的工程启示与挑战

本文全面梳理了代码在编程助手、GUI自动化、科学发现等前沿领域的应用。

但在打造终极AI外骨骼的道路上，我们仍面临诸多严峻的工程挑战。

挑战一：超越最终结果的评估

如果智能体写出了一段能通过测试但效率极低的代码，算不算成功？

当前的评估体系往往只看最终成功率（$Pass@k$），忽略了交互轨迹的质量。

我们需要能够评估执行效率、代码优雅性以及自我修复成本的全新维度。

挑战二：不完全反馈下的验证

在物理世界或不可逆的操作中，报错可能意味着灾难（如机械臂碰撞）。

如何在缺乏完整测试用例、反馈信号稀疏的环境下，确保代码策略的安全性？

这要求脚手架具备强大的前置模拟能力和风险预判机制。

挑战三：人类监督的无缝融入

对于关键安全操作，必须允许人类在代码执行前进行干预和审批。

如何设计既不阻断智能体自主性，又能保证人类拥有绝对控制权的混合脚手架？

半形式化的编程接口和严格的数据沙箱隔离，可能是未来的解法。

总而言之，“代码即智能体脚手架”这一范式，彻底改变了我们审视AI能力的视角。

代码不仅是大型语言模型的产出，更是它们赖以生存和进化的数字世界法则。