人工智能编程智能体通常以模型形式接受评估，却以完整系统形态投入实际部署。其可靠性不仅取决于模型自身的能力，更受到运行框架（harness）、执行状态、检索机制、记忆与状态管理、权限控制、代码审查接口以及资源分配等多重因素的共同影响。
本专著深入考察了上述各环节之间的边界，并据此构建了一套用于可靠评估与运维编程智能体的系统性框架。研究采用结构化的多源证据综述方法（multivocal review），综合整合了164项学术研究成果、100份一线实践记录、29项基准测试报告，以及17个作者自建系统的案例记录；同时辅以定向更新审计（targeted update audits）、软件工程覆盖度分析（software-engineering coverage analysis）和分布式系统实证合成（distributed-systems evidence synthesis）等多元验证手段。
基于上述广泛而扎实的实证基础，研究发现：许多表面上归因于模型失效的问题，实际上源于系统其他环节；而某一层级的改进，往往难以有效传导至端到端的整体效果。因此，评估与运维应被视作一条环环相扣的依赖链——任务构建、执行环境、检索机制、状态管理、结果验证或可观测性等任一环节存在薄弱点，均可能导致下游所有分析结论失效。
本专著的核心贡献包括：
• 一份版本化、可追溯的《可靠性记录目录》，共收录206项条目，其中193项为经审慎把关的实践规范（gated practices），含56项深度开发的成熟实践；另含13项待深入探索的研究方向；
• 一份详实的实证台账（evidence ledger），系统记录各项主张所依据的证据来源与强度；
• 一套刻画智能体全生命周期中“依赖关系”与“修复不对称性”（dependency and repair asymmetry）的分析框架；
• 来自真实运行中编程智能体系统的量化指标与典型故障案例；
• 一套可直接运行的评估协议与可靠性保障协议（runnable evaluation and reliability protocols）；
• 五种经实证验证、可复用的智能体核心能力（agent skills），并附有对应的能力—证据映射图（evidence maps）。
上述成果共同构成了一套面向系统层级的方法论，助力研究者与工程师清晰区分“模型固有能力”与“基础设施效应”，科学设计具备抗辩力（defensible）的评估方案，并构建出在组件发生故障时仍能安全恢复的鲁棒系统。
需要说明的是，本次综述采取结构化而非穷尽式路径，不同主题下所获证据的强度存在差异，最终结论亦随具体工作负载（workload）与系统配置（configuration）而动态变化。方法论部分明确记载了已完成的检索路径（search lanes）、尚未开展的检索方向，以及各项证据评级声明所存在的固有局限。
提问交流