基于知识的拉取请求：代理介导的知识协作的可信工作流程

AI 编码智能体 正在改变软件协作的瓶颈：代码越来越便宜，而理解意图、谈判范围和管理长期项目责任的成本仍然很高。本文提出了\emph{基于知识的拉取请求}（KPR），这是一种跨信任边界（包括开源、企业、供应商、承包商和客户驱动的设置）的代理介导的软件协作的可信工作流程。在 KPR 中，外部协作者的本地代码、测试和已清理的代理交互跟踪被视为知识源，而不是默认的合并候选者。代理将这些来源提炼成经过人工确认的知识包，并将其呈现为面向审阅者的形式，例如设计备忘录、风险检查表、测试计划或实施简介。然后，项目拥有的内部可信 编码智能体 在接收项目的环境中在存储库上下文、工程约定、测试和安全策略下重新生成候选代码。因此，KPR 将传统拉取请求经常崩溃的两个决策分开：知识是否应该进入项目，以及是否应该合并特定的实现。我们贡献了 KPR 工作流程、候选工件模式、成本核算视图、协作网关架构、七个合并的公共拉取请求的最小受控模拟试点以及评估议程。该试验表明，KPR 包可以从真实的 PR 材料实例化，并在描述消融、差异消融和合成中毒补丁条件下进行压力测试。我们将 KPR 定位为可经验测试的工作流程：其价值取决于可审核的提取、转换和项目方再生是否降低了理解和返工高上下文外部变更的成本。