AI编程代理已经能独立改代码、跑测试、自我迭代，但三个新研究指向同一个问题：模型再强，缺了外部约束和流程设计，代码质量和成本照样失控。
第一个方案来自Geoffrey Huntley。他提出用pre-commit hook强制AI代理走诊断库：钩子扫描git diff，发现绕过诊断库的直接调用就拦下，同时把提示塞进上下文，逼代理改用规范写法。这招很土，但管用——"记得用"从模型的自觉变成了工具链的硬约束。Simon Willison在博客里转发了这个做法。
第二个是arXiv上的TurnCost。它把代理的工作方式拆成"轮次"和"观察"，提出缓存感知的循环工程：每次改代码、跑工具、读结果都在消耗上下文，缓存命中与否直接决定成本。让代理反复观察没意义，该优化的是轮次设计，砍掉无效往返。省钱的关键在循环怎么设计。
第三个是AesCode，专治"代码模型看不见自己生成的图"。幻灯片、海报、仪表盘这类视觉产物用代码生成，结构清晰、可编辑、可验证，但模型感知不到最终长什么样。AesCode用解耦的跨模态奖励，把视觉美感拆出来单独打分，让模型在代码正确性不掉的前提下，把视觉往好看了调。
三条路径各异，结论一致：AI编程的下一步在工程层——用钩子守住质量，用循环设计压成本，用奖励拆解补审美。谁能把这些约束做进工具链，谁就能让代理真正可用。