Agentic 工件创建综述：系统、评估、原则与机遇

生成模型能将自然语言提示转化为图像、文本、代码及其他内容，降低了制作草稿和组件的成本。其实际影响日益取决于这些片段能否成为完整、可靠的交付物。本综述探讨了代理式工件创作，我们将其定义为一种有状态构建过程，在此过程中，AI系统实质性地构建或修订交付物，而中间观察结果会引导后续工作。在功能上，该过程将工件的操作表示、构建策略以及运行时验证相连接，运行时验证的反馈可引导后续行动。我们审阅了截至2026年8月20日可获取的259项工作：其中230个系统符合此定义，以及29个代理式工件构建基准。我们比较了六类工件，然后将应用场景和评估实践作为独立维度进行分析。在各工件类别中，构建挑战不仅反映在模态上，还体现在决策耦合的紧密程度以及失败在可修复阶段是否可见。分解可降低局部复杂性，但会增加协调和重组成本。当学习型评判器与生成器共享偏好或盲点时，它们可能提供不了多少独立的证据。我们提出了保持承诺和明确责任、将反馈转化为有针对性的修复、以及在变更后重新验证受影响状态的原则。我们还识别了在工件、创作者意图和构建系统演进过程中，维持连贯、可问责控制的机会。精选论文列表可在 https://github.com/GeminiLight/awesome-agentic-artifact-creation 获取。