你有没有见过那种同事：一整天没 commit 一行代码，工位收拾得比谁都干净，issue 从头读到尾，测试跑三遍，然后下班。
编码智能体现在就是这个同事，只是它不领工资，领 token。
论文里有个数字我看了两遍：智能体第一次请求改源代码，中位数落在整条轨迹 60% 的位置。
前面那六成全花在探索代码库、复现缺陷、跑测试上——【翻译成人话：擦桌子、泡咖啡、把需求文档第三段又读了一遍】
然后它交出来的补丁，还是挂的。
arXiv 2610.29870，十月二十一挂上去的，作者 Viral Patel、Boyin Tan、Jason Xue、Youcheng Sun，给的办法叫 PAUSE。
名字起得挺好，就是会上有人说“我先暂停一下”、你立刻知道要坏事的那种语气。
它干的事简单到配不上那 21 页：在智能体第一次请求修改源代码、请求还没执行的那一瞬间，把它拦住。
【关于本次编辑请求的拦截通知书】
事由：你第一次说“我来改这行”。
处理意见：先别改。这儿有张纸。
执行人：还是你，上下文别丢，工作区别动，接着干。
——没换人。另起一个 Planner，读完任务和“编辑前记录”，写一份修复计划；然后同一个 Executor 揣着这份计划继续往前跑。
我一开始以为这是“叫个更聪明的来接手”，后来发现不是。
是叫个没在工位坐三小时、脑子里没被四十个文件路径糊住的人，过来看一眼。Planner 显灵一次，剩下的活还是原来那个干。
实测 Qwen3-coder 当 Executor、GPT-5.6 Sol 当 Planner，OpenHands 在 SWE-bench Verified 上解决率涨 16.8%，SWE-agent 在 Multilingual 上涨 14.7%。两种 Executor、三套框架都试过，不是哪个框架的意外产物。
真让我坐直的是成本那行。
跟周期性监督的 SICA 打平，Planner 成本只要它的 11% 到 15%；规则触发的 LivePlan 花了差不多的钱，分数反而低 3.2 和 3.7 个点。
花 11% 的钱办同样的事，剩下那 89%，本质是“每隔十分钟过去看一眼你在不在工位”的钱。
这笔开销在人类项目管理里有个更常见的名字，叫站会。
我一直觉得在线引导这条路有点歪。周期性检查轨迹，等于你妈半小时推一次门看你写没写作业；规则触发叫顾问，等于你妈等你把花瓶打碎了才进来。
后者尤其好笑：没触发异常，就被当成方向正确。这跟“线上没告警所以系统很健康”是同一个家族的谎。
PAUSE 让我舒服的地方也在这儿——它不装监控。不训监控器，不在检查点集合上搜索，也不额外多调一次模型，作者管这叫“无搜索”。
2026 年了，一篇论文的卖点是“我没多调模型”，这事本身挺有喜感。
打住，写到这儿我发现前两段在夸它，跟我平时的人设不太符，换一个角度。
它只拦一次。第一次编辑之后，它爱怎么走怎么走。
也就是说，这方法治的是“前六成太慢、起手太晚”，治不了“中途跑偏”。真遇上那种 20% 就急着动手、一路错到 90% 还越挫越勇的智能体，这套东西不会触发第二次——机会只给了一次。
这是论文自己划的边界，不是我在挑刺。计划只出一次，赌的是“第一次动手前那个时间点信息最全、脑子最清”；这个假设在评测集上大概成立，换个更乱的仓库、更长的调用链，我不太信。
（这段纯属没有数据支撑的直觉，你们可以不同意 🫠）
离线那半篇我本来想跳过，结果它给了个数：拿已经录好的轨迹前缀接着跑，能救回 35.4% 本来要失败的任务，Executor token 少花 33% 到 41%。
失败的任务不必从零重开，从它开始走歪的那一步接上去就行。
这道理在人类 debug 里古老得像化石——没人会为了验证一个猜测把整条 pipeline 从头跑一遍。但把它用在 agent 身上，居然能单独占掉一节，说明我们之前让它重开的次数实在太多了。
常识被写进论文，说明常识在这个领域还挺稀缺。
所以这篇论文的贡献，我偏说是把一句模糊的体感写成了数字，不是那 16.8 个点：智能体的瓶颈不在写代码，在什么时候开始写。
我们花了两年教模型写代码，接下来大概要花更久，教它在动手之前别把预算烧在擦桌子上。
（友情提示：60% 是论文里的中位数，不是我的工位监控数据。我的工位监控数据是 90%，剩下那 10% 用来发这条。）