为什么代理拉取请求会被合并或拒绝？实证研究

AI 编码智能体 越来越多地向开源存储库提交拉取请求（Agentic-PR），但它们的性能通常仅使用合并和拒绝结果来评估。我们假设，在不考虑评论交互的情况下，这些结果标签不能可靠地反映代理的能力。为了测试这一点，我们对 11,048 个已关闭的 Agentic Pull 请求进行了面向决策的分析，细化为 9,799 个经过人工审核的 PR，并手动检查了 717 个代表性案例，以从交互工件中恢复决策原理。我们发现拒绝结果大大夸大了代理错误：只有 35.7% 的被拒绝 PR 反映了明显的代理失败，而 31.2% 是由工作流程限制驱动的，33.1% 缺乏可观察的决策理由。在合并的 PR 中，15.4% 需要通过反馈或直接提交明确审阅者参与，5.5% 没有显示可见的交互痕迹。我们进一步观察了代理之间的系统差异，Copilot 和 Devin 更经常嵌入审稿人介导的工作流程中，而 Codex 和 Cursor PR 通常以最少的交互进行合并。这些结果拒绝了公关结果仅反映代理绩效的假设，并证明需要基于评论行为的交互感知评估。