A Self-Improving Coding Agent

一个 Agent 可以拥有很强的语言推理能力，却持续浪费时间在文件定位、长 Context 和低效编辑上。手工调整这些工程组件既慢又依赖经验。SICA 把这类瓶颈视为可由 Agent 自己修改的代码问题，同时把准确率、时间和成本纳入选择目标，使改进有实际部署价值。

从日常调试出发：大量失败来自工具接口，修复接口通常比更换 Model 便宜。Coding Agent 本来就会修改 Python 工程，因而具备修改自身工程的基本动作。下一步的关键问题是该让谁来修改：如果最新版本已经更善于读代码和编辑文件，就有理由让它承担后续修改，再通过外部 Benchmark 拒绝无效更新。

SICA 让档案中表现最佳的 Agent 承担下一轮改进工作，目标 Agent 与改进 Agent 因而不再固定分离。优化对象是组织工具、prompt 和 model 调用的程序；效用同时考虑得分、耗时与费用，使自身实现成为可以累积更新的经验。

论文记录了 Smart Edit、Context Summarization 和 Symbol Locator 等实际变化。以 Symbol Locator 为例：输入是某个符号引用及代码仓库；旧 Agent 依靠多次搜索定位定义。自我修改阶段增加 AST 定位工具，下一轮执行任务时调用它，输出定义所在文件和位置。该工具连同 Agent 源码被保留；外层评估器重新统计成本、时间和任务成功率，再决定谁接任下一轮 Meta-Agent。

Utility 是三个可比较分量的加权和。Accuracy 本身在 0 到 1 之间；Cost 与 Time 先除以预算上限，再截断到 1，最后用 1 减去它们，使更便宜、更快得到更高分。原文权重为 0.5、0.25、0.25，超时还乘以 0.5。它是一项工程偏好，没有推导出唯一正确的权重。即使 Accuracy 上升，成本增加也可能让总 Utility 下降。

U = 0.5·accuracy
  + 0.25·[1 − min(1, cost / $10)]
  + 0.25·[1 − min(1, time / 300s)]
U_final = 0.5·U if timeout, otherwise U

代入一个教学数值：Accuracy=0.6、Cost=$2、Time=60 秒且未超时，三个贡献分别为 0.3、0.2、0.2，Utility=0.7。min(1,·) 把资源惩罚截断，花费达到 $10 后，Cost 项归零，继续变贵不会让该项变成负数。因而改进 Utility 有多种途径：答对更多、花钱更少或完成更快。比较版本时应同时展示三项，否则一个更便宜但答对更少的 Agent 也可能得到更高排名。

SICA 把“自身”落实为可执行的 Agent Repository。最值得复用的实验习惯是保存源码与每轮 Utility，而不是只保存最后一个 Prompt。论文展示了改进后 Agent 接管下一轮的结构，也暴露出评价权重会塑造演化方向。

最脆弱的假设是固定 Utility 能代表未来用户需求。成本上限、超时和题目组合都是设计选择；一个针对短任务优化的编辑器，可能牺牲长任务中必要的核验步骤。选出 Utility 最高的父代并不保证选出最佳长期 Improver。

这一数字来自论文的随机子集和资源约束，不能与完整 SWE-bench Verified 榜单直接横比；代码演化不等于 foundation model 学习，单次迭代也可能退步。