PYTHALAB-MERA：面向冻结LLM编码代理的验证导向记忆、检索与接受控制

基于本地LLM的编码代理日益工作于正确性通过执行反馈、持久化状态和受限修复来获得的场景中。静态检索、长上下文提示、自我精炼、执行反馈修复以及针对模型权重的强化学习各自解决了此场景的部分问题，但它们未能共同提供验证导向的episodic记忆、自适应检索-动作选择、延迟信用分配以及围绕冻结本地模型的结构技能复用。我们引入PYTHALAB-MERA，一种用于本地验证条件代码生成的轻量级外部控制器。冻结的语言模型提出完整的源文件；控制器决定下一提示应进入的哪些记忆记录和AST派生技能，经过快速失败管道验证每个候选方案，将验证结果转化为受限 shaped reward，并通过TD(lambda)风格的优势迹迅速传递延迟信用。我们在强化学习编码任务上评估了该实现，任务设置严格的验证门控。在测量的硬性RL场景中进行三次任务、三次重复、三次尝试的评估后，PYTHALAB-MERA通过了8/9次严格验证；自我精炼基线和调查的GRACE扩展分别通过了0/9次。这些结果支持刻意的有限承诺：在本记录场景中，外部记忆与检索控制器提升了验证成功率。它们不构成通用代码合成、状态-of-the-art性能、形式程序正确性或形式安全性的证明。