NP-Bench 与 Nerveplane：验证并行编码协调

一个编码智能体的团队可能看起来不错，但作为一个团队却会失败：每个人都通过了自己的测试，而合并的结果却被破坏了，并且单个智能体评估永远无法捕获它。当团队在一个代码库上并行运行多个 LLM 编码智能体时，智能体会发生冲突：两个重写相同的函数，一个代码针对队友刚刚更改的合同，并且工作完成后集成失败。大多数协调工具都会做出反应（注意冲突，然后发出警告），但以智能体的速度，警告会在浪费的编辑之后到达。我们将问题重新定义为调度：获取每个工作项的声明范围，将工作划分为不相交的范围，并沿着生产者->消费者图进行顺序合并，所有这些都是预先完成的。我们将此规划器构建到 Nerveplane 中，并使用 NP-Bench 对其进行评估，NP-Bench 是一个基于环境的三臂基准（无协调；反应性检测；主动规划），可在确定性模拟和实时智能体中验证真实 git 合并的集成。规划器将清洁集成从 1/9 场景提升到 9/9 场景，并将合并冲突从 13 减少到 0，差距随着智能体数量的增加而增加。在实时破坏合同变更中，它挽救了每个种子上两个基线都错过的结果：在前沿模型上，干净集成率从 0（无协调和反应性检测）上升到 1.0，在小模型上上升到 0.6，而智能体尊重指定的范围（0/5 泄漏）。跨会话记忆将强模型和弱模型的重复错误率从 1.00 降低到 0.00。我们还报告了一个负面结果：将事实路由到智能体并不能挽救窗口拟合尺度下的长上下文准确性；它的价值在于成本和容量，而不是注意力。在两个能力层和两个供应商中，随着模型变得更强，收益并没有缩小，因为它来自于工作分配方式，而不是模型推理。