并发 AI 编码中的非对称存储库谱系建模和验证者引导协调智能体

并发 AI 编码智能体会产生协调问题，其中廉价信号可能会优先处理工作，但只有可执行检查器才能确定所声明的属性。我们通过属性范围的验证合约和 MERGEGYM（用于开放时间范围预测、重放条件冲突解决和调度的三轨基准）来研究这种分离。在分层的 715 对谱系集（167 个文本冲突）中，尽管创作的文件集不相交，但还是发生了 79 个冲突（47.3%）。这是三向合并中预期的操作上重要的代理不匹配：编写的 PR 差异是根据 PR 特定的基础来测量的，而检查器将两个头与其公共合并基础进行比较。独立的血统联合规则达到留出 AUROC 0.877； 12 特征逻辑模型达到 0.882 [0.845, 0.917]，PR-AUC 0.661，相同决策时间特征上的未调整随机森林达到 0.902 [0.875, 0.928]，PR-AUC 0.701。在留出重放预算为 33.3% 的情况下，逻辑和随机森林模型分别恢复了 81.2% 和 82.9% 的冲突。 48/79 个零重叠冲突的补丁重建成功，所有 48 个都变得干净；其他 31 个案例尚无定论，因此此检查验证了预期的三向合并解释，而不是声称新的 Git 机制。在 T1 中，零样本LLM达到 AUC 0.704，LLM加元数据融合达到 0.740。在 T3 中，决策时间门在冻结标签重放下以 65.0% 的完工时间膨胀消除了中值 91.7% 的标记范围冲突。因为本地 git merge-tree 重播在我们的日志中已经很便宜（中位数 0.02 秒），所以我们并不声称谱系分类单独保存了这个检查器：当精确重播很便宜时，验证一切。本文中的所有经验保证仍然仅限于文本可合并性或明确规定的冻结标签调度目标。