Inside the Scaffold: A Source-Code Taxonomy of Coding Agent Architectures
本文通过对 13 个开源编码代理脚手架的源代码进行细粒度分析，提出了一种包含控制架构、工具环境接口和资源管理三个层面的新分类法，揭示了现有代理系统并非遵循单一模式，而是由五种可组合的循环原语以不同方式构建而成的复杂架构。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
这篇论文就像是一份**“智能编程助手（Coding Agent）的解剖报告”**。
想象一下，现在的 AI 编程助手（比如 GitHub Copilot 的进阶版、SWE-agent 等）非常厉害，它们能自己找 Bug、写代码、跑测试，甚至不需要人类一直盯着。大家通常只关注这些助手的“大脑”（也就是大语言模型，LLM）有多聪明。
但这篇论文的作者 Benjamin Rombaut 却把目光投向了**“大脑”外面的“骨架”和“神经系统”。他称之为“脚手架”（Scaffold）**。
如果把 AI 编程助手比作一个**“超级实习生”**：
- 大语言模型（LLM）是实习生的“大脑”，负责思考。
- 脚手架（Scaffold）则是“经理、工具箱、办公桌和规章制度”。它决定实习生怎么思考、能用什么工具、遇到错误怎么办、怎么记住之前的对话。
这篇论文分析了 13 个开源的“超级实习生”项目，发现大家以前对它们的分类太粗糙了（比如只说“它会用工具”或“它会规划”），就像把“开法拉利的人”和“开卡车的人”都简单称为“司机”一样，忽略了他们驾驶方式、车辆结构和路线规划的巨大差异。
作者通过深入代码细节，建立了一个新的**“分类地图”**，把脚手架分成了三层，就像盖房子的三层结构：
第一层：控制架构（怎么指挥？——“大脑的指挥棒”）
这是决定实习生“下一步做什么”的逻辑。
- 以前的看法：大家以为只有两种模式：要么是按部就班的流水线（像工厂流水线），要么是像人一样思考 - 行动 - 观察（ReAct 模式）。
- 论文发现：其实这是一个连续的光谱。
- 有的像**“死板的流水线”**（Agentless）：第一步找代码，第二步改代码，第三步提交，中间没有回头路。
- 有的像**“疯狂的探险家”（Moatless Tools）：它使用蒙特卡洛树搜索（MCTS）**，就像下围棋的 AlphaGo。它会同时尝试几十种改法，如果某条路走不通就退回来，换一条路再试，直到找到最优解。
- 关键点：大多数聪明的助手不是只用一种模式，而是**“乐高积木式”的。它们把“思考 - 行动”、“生成 - 测试 - 修复”、“多轮重试”这些基础积木**拼在一起，组合出复杂的策略。
第二层：工具与环境接口（用什么干活？——“工具箱”）
这是实习生能拿到的工具，以及它怎么和电脑交互。
- 工具数量大不同：有的实习生手里空空如也（Aider），全靠用户告诉它改哪个文件；有的实习生手里有37 种工具（Moatless Tools），从搜索代码到运行测试无所不能。
- 核心发现：虽然工具数量差异巨大，但核心能力其实是一样的：读代码、搜代码、改代码、运行代码。
- 有趣的细节：
- 有的助手（如 Aider）完全依赖用户来导航，它自己不会主动去“找”文件。
- 有的助手（如 Prometheus）会像侦探一样，先建一个**“知识图谱”**（把代码里的关系画成地图），再顺着地图找线索，而不是像其他人那样拿着放大镜（grep 命令）瞎找。
- 安全机制：有的助手在**沙盒（Docker 容器）**里干活，怕它乱删文件；有的助手（如 Cline）直接在你的 IDE（编辑器）里干活，能直接看到你的报错信息，但风险也更大。
第三层：资源管理（怎么记事儿和省钱？——“记忆与预算”）
这是最现实的问题：AI 的“记忆”（上下文窗口）是有限的，而且每次调用都要花钱。
- 记忆策略：
- 暴力派：不管记多少，全塞进去，直到内存爆了（mini-swe-agent）。
- 总结派：对话太长时，让 AI 自己总结：“刚才我们聊了 100 句，现在我只记住前 10 句和后 10 句，中间忘了。”
- 事件派：像写日记一样，只记录“发生了什么”，不记录“说了什么”，需要时再重新计算（OpenHands）。
- 多模型路由（省钱小能手）：
- 有些助手很聪明，它们**“看人下菜碟”。简单的任务（比如运行测试）用便宜的小模型**；复杂的任务（比如写核心算法）用昂贵的大模型。这就像你让实习生做杂事用普通员工，做设计图用资深专家。
论文的核心启示（用大白话总结）
没有“标准答案”：
以前大家喜欢给 AI 贴标签（这是“规划型”，那是“工具型”）。但这篇论文说，别贴标签了，要看“光谱”。就像人一样，有的偏内向，有的偏外向，大多数人是中间态。不同的任务需要不同的“骨架”设计。积木可以随便拼：
最聪明的设计不是发明一种全新的“超级大脑”，而是把现有的**“思考 - 行动”、“重试”、“树搜索”**这些基础积木灵活组合。比如，Moatless Tools 就是在一个普通的“行动者”外面，套了一个“树搜索”的控制器，瞬间让它变得像围棋大师一样。收敛与分歧：
- 收敛（大家做法差不多）：在“怎么改代码”（字符串替换）和“怎么保证安全”（用 Docker 容器）这些硬性约束上，大家殊途同归，因为这是物理限制。
- 分歧（大家还在摸索）：在“怎么管理记忆”和“怎么分配不同的大脑”这些开放问题上，大家还在疯狂尝试，因为还没有找到完美的方案。
为什么这很重要？
- 对研究人员：别再只比谁跑分高了。现在的比赛里，有的 AI 用了好几个模型，有的用了复杂的树搜索，有的只是单纯的大模型。如果不把“脚手架”拆开看，你就不知道它到底是因为“大脑”聪明，还是因为“骨架”设计得好。
- 对开发者：如果你想造一个新的 AI 助手，这篇论文就是你的**“设计图纸库”**。它告诉你：如果你想做自动修 Bug 的工具，参考 Prometheus 的“知识图谱”；如果你想做交互式助手，参考 Cline 的"IDE 集成”；如果你想省钱，参考 Gemini CLI 的“多模型路由”。
一句话总结：
这篇论文告诉我们，AI 编程助手的强大，不仅仅取决于它背后的“大脑”有多聪明，更取决于给它搭建的**“脚手架”有多精巧**。就像给一个天才孩子（大模型）配一个什么样的班主任、课表和工具箱，决定了他是能考上清华，还是只能考个大专。这篇论文就是那本**“顶级班主任的教案集”**。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。