该论文聚焦于编码代理（coding agents）的安全监督问题。随着LLM驱动的编码代理能力日益增强，人类审查成为瓶颈，无约束的代理会引入安全风险（如后门注入）、破坏代码库的可扩展性，并使人工代码审查成本急剧上升。作者提出一个核心论点：管理大型人类工程团队的成熟方法——访问控制、网络策略、由工具强制执行的严格编码规范——可以直接迁移到编码代理的监督中，并且相比当前的代理脚手架方法更节省token。论文概述了一个端到端系统设计，汇报了一项受控实验：使用小型审查模型（Gemma 4 e4b）检查包含11个故意插入后门的Python代码库。实验对比了三种场景：无约束（无工具）、仅约束子层、约束子层加一个约200行代码的`docs` CLI工具。结果显示，从无约束的54.5%召回率提升至约束子层加工具的90.9%，且约束子层和CLI工具各自独立贡献增益。作者特意选择Python进行实验，因为在默认保证最少的语言中，子层监督的收益最大；这些原则可推广至Rust等更安全的语言。该研究为规模化监督编码代理提供了新范式，强调约束而非过度依赖模型自身的对齐。

该论文研究开发者在拉取请求（pull request）讨论中如何沟通漏洞信息，涵盖人类、机器人和编码代理（如GitHub Copilot等AI助手）。传统研究主要关注显式漏洞标识符（如CVE、GHSA），但隐式安全相关语言（如“未授权访问”、“SQL注入”）同样常见，且可能被忽视。随着机器人和编码代理在软件开发中日益普及，它们如何参与漏洞沟通成为新问题。本研究基于AIDev-pop数据集，计划分析pull request的标题、描述、审查评论、提交消息和时间线讨论中的显式漏洞引用和隐式安全信号。进一步探究这些引用是否与修改代码中引入或修复的漏洞相关，以及它们如何影响pull request的审查活动和结果。研究贡献在于提供大规模实证调查，揭示现代软件开发中漏洞沟通实践的现状，并比较不同参与者（人类、机器人、代理）的沟通模式。该方法有助于提升安全团队对漏洞讨论的可见性，并为自动化安全分析工具的设计提供依据。