锯齿状的边界：评估代码智能体对语义保持变换的鲁棒性

AI代码智能体正被越来越多地部署用于解决真实软件问题，但它们在表面的代码变体下的可靠性仍知之甚少。我们评估修复仓库级问题的编码智能体，在周边代码库被重写为语义等价形式后是否仍然可靠。我们引入一个随机变体采样器，对代码应用常见的语义保持变换（SPT）——涵盖控制流重写、死代码注入和标识符重命名——生成扰动变体。我们评估两个智能体脚手架（mini-SWE agent和OpenCode），每个分别由四个前沿模型（Claude Opus 4.5、Kimi K2.5、MiniMax M2.5和Qwen 3.6-27B）之一驱动，实例来自SWE-bench Verified和SWE-bench Pro。对每个实例，智能体在未扰动与扰动变体上各运行多次，得到配对的解决率估计，从而把扰动效应与内在随机性分离。我们发现大多数配置下只有小幅退化：受影响最大的配置中平均解决率最多下降6.7个百分点，16个模型-脚手架-数据集配置中有6个出现统计显著的退化。关键的是，没有任何单一模型的鲁棒性排名能跨脚手架保持——Qwen在mini-SWE agent下的SWE-bench Verified上属于最鲁棒之列，而在OpenCode下却最脆弱——揭示出锯齿状的鲁棒性边界。更简单的脚手架（mini-SWE agent）对扰动更鲁棒。我们的结果表明，即便顶级前沿模型也易受语义保持扰动影响，尽管效应并不均匀，这引发了对AI代码智能体在多样真实代码库中部署可靠性的担忧。