人工智能代理实际上改变了什么？性能改进拉取请求中突变模式的实证分类法

AI 编码智能体 是黑匣子：我们无法检查它们如何生成代码，但我们可以检查它们更改了什么。这种区别对于基于搜索的软件工程（SBSE）很重要，其中遗传改进等技术（在我们研究的性能优化应用程序中）依赖于反映代码实际转换方式的突变运算符。 AIDev-pop 目标绩效中的 33,596 个代理 PR 中只有不到 1%，这使得每个案例都成为了解其他不透明代理行为的罕见窗口。我们根据 Even-Mendoza 等人的 18 类句法突变分类法，对 216 个 PR 中的 1,254 个与性能相关的差异块进行了分类，跨越五个代理系统。 (2025) 使用双 LLM 交叉管道。三个类别占主导地位：名称修改（37.0%）、对象创建（26.4%）和类型更改（22.7%），这一特征与以前的 GI 语料库明显不同，其中没有更改占 84%。每个代理部署的系统都致力于独特的突变词汇，并且每个性能策略都会激活一个很大程度上不相交的类别子集。因此，代理身份和目标策略是缩小有效 SBSE 操作空间的信息先验。复制包：https://github.com/5uper6rain/ssbse-challenge-2026