针对反例补充草图的主体综合

编码智能体 可以修复失败的示例，而不保留导致其失败的域规则。我们提出了针对反例补充草图的代理综合，这是一种用于在实施过程中发现其策略的系统的存储库本机方法。人类从部分草图开始，然后 编码智能体 编译可替换的投影。当模拟暴露出缺失或错误的策略时，操作员会批准纠正的行为以及案例授权的最低一般规则。每个开发人员都指定了其变更权限以及必须生存的规则、漏洞、锚点和批准的行为。冲突或模糊的权限会使文件保持不变并产生澄清问题。完整的档案保留了出处；精心策划的回归集控制了不同的边界。在揭示另一个候选者之前，活动案例和策划的回归必须通过确定性的批准输出比较和针对当前草图的单独审查。定期清洁再生测试草图是否具有学习的策略。我们使用 CatSynth（一个捕获的合成应用程序）演示了该方法。在一次使用 GPT-5.4-mini 的开放世界运行中，14 个冻结候选者中有 8 个成为反例。在更正后的协议下，全部重播、进化草图重建和保留草图-CE 均通过了所有 8 个接受的案例。他们分别通过了 21 起保留案件中的 14 起、17 起和 16 起。草图审查拒绝了过早的空输入和标签策略并恢复了丢失的锚点；审稿人错误的裁决并未成为政策。一种模型和一种揭示顺序不能建立普遍的正确性或优越性。在这个套件中，第二次检查暴露了确定性重放隐藏的漂移，并且经过审查的草图比原始示例重放多通过了三个保留案例。