正确的代码，错误的贡献？ SWE-CC：编码智能体的基准存储库策略合规性

自主编码智能体现在可以解决大部分现实世界的 GitHub 问题。然而，通过功能测试与生成可接受合并的高质量贡献有着根本的不同。成熟的开源项目发布特定于存储库的贡献策略，跨越样式、git、测试工作流程，以确保代码质量和长期可维护性。由于现有基准仅在单元测试上评估补丁，因此智能体是否符合存储库治理仍然未知。在本文中，我们介绍了 SWE-CC，这是一个评估自主软件工程中代码和流程合规性的基准。我们开发了一个半自动化管道，将 12 个开源存储库中的开发人员文档转换为 823 个机器可检查的原子策略。 SWE-CC 引入了两个功能：1）代表每个策略的轻量级确定性检查器函数，2）检查智能体运行时行为和最终可交付成果的全面审核机制。我们在从 SWE-bench Verified 扩展的 500 个端到端软件贡献任务中评估了智能体工作流程的合规性。我们对两个智能体支架下的四个LLM的评估表明，现代智能体存在编码合规性问题：尽管智能体生成功能正确的补丁，但它们仍然违反了适用项目策略的 43.1％，其中近一半的违规发生在中间执行步骤期间。这些结果表明，功能正确性并不能保证现实世界的就绪性，强调未来的软件工程智能体必须可靠地符合存储库治理，以实现安全且值得信赖的部署。