论文解读｜SWE-Explore：把「代码仓库探索」作为独立能力来评测
SWE-bench 这一年推动编程 Agent 飞速发展，但SWE-Explore（arXiv 2606.07297，2026-06-05）指出了一个被忽略的问题：现有评测只关心「任务解决 vs 没解决」，忽略了「探索能力」作为独立维度。
SWE-Explore 的设计
数据集：
- 848 个 issue，10 种编程语言，203 个开源仓库
- 每个 issue 都有「成功解决该 issue 的 Agent 实际访问过的代码行」作为 ground truth
- 任务：给定仓库 + issue，在固定行数预算（line budget）下返回相关代码行排序
评估三个维度：
- 覆盖度（coverage）：ground truth 行被命中的比例
- 排序质量（ranking）：ground truth 是不是被排在前面
- 上下文效率（context-efficiency）：用多少行预算就达到了覆盖度
关键结论
- 现代 Agent 探索器明显优于经典检索（BM25 / dense retrieval）
- 文件级定位已经够好：现代方法在 file-level 几乎 100% 命中
- 行级覆盖和排序才是分水岭：state-of-the-art Agent 之间的差距主要在这里
- 行预算越紧，差距越大——这意味着生产环境（context window 有限）下，差的 Agent 会被拉开更大
对编程 Agent 团队的意义
做 Agent 框架（Claude Code、Cursor、Codex CLI）的团队要意识到：
- 「想得清楚」 比 「读得多」 更重要。盲目 RAG 整个 repo 不如 agentic search
- 行级排序能力是下一阶段优化的关键，文件级命中已饱和
- 建议在自家评测里加 SWE-Explore-style 子评测，避免只盯 SWE-bench 综合分