关于swe-agent和ACI研究与各种swe-agent-cli的出现： 共同的“第一性原理”： 无论是学术界的研究者还是在一线编码的开发者，大家都发现了同一个痛点——让LLM去模拟人类操作GUI（The Mimicry Era）是行不通的。大家也都发现了同一个解决方案——LLM的原生语言是文本，让它在文本世界（CLI）里工作效率最高。 相互启发和印证： 社区里 -cli 工具的流行，可能启发了学术界的研究者：“既然这个方向如此受欢迎，我们是否可以把它系统化、理论化，并找到其性能的边界和提升方法？” 于是，SWE-agent 诞生了，它为这种实践提供了理论支撑和科学框架。 反过来，SWE-agent 论文的发表，又为社区开发者提供了新的思路：“原来我们可以为Agent设计一个更受控、更专用的接口（ACI），而不是简单地让它在 bash 里‘自由发挥’。” 这可能会催生出下一代更强大的 -cli 工具，它们会内置类似ACI的机制。 这个领域的进化： 现象观察 (gemini-cli): 我们在日常使用中，发现CLI Agent的范式很好用。 理论框架 (SWE-agent): 学术界验证了这个范式（ACI）的有效性，并给出了一个可评测的基准。 物理定律 (Skywork-SWE): 最新的研究揭示了驱动这个范式性能提升的根本定律——数据缩放定律，并给出了可量化的公式。