KAT-Coder-V2.5 正式发布：从“写代码”到“做工程”，Agentic 能力全面提升

自 KAT-Coder-Pro V2 发布以来，我们持续收到一线开发者的真实反馈：能不能把一个完整的 issue 直接交给它，让它自己在仓库里定位、修改、跑通测试？能不能把一整段业务工作流交给它，而不是只帮忙做其中一步？

在真实的软件工程场景中，开发者面对的从来不只是“写一段代码”这么简单——需要读懂模糊的需求、在陌生的代码库中定位问题、遵循项目既有规范、通过测试验证、处理各种意外情况。这正是当前大多数 Coding 模型的短板所在。

围绕“更长的任务链路、更复杂的业务工作流”，我们进行了系统性升级。今天，KwaiKAT 正式发布旗舰级 Agentic Coding 模型 KAT-Coder-Pro V2.5。在三个关键维度实现全面突破：长程工程能力、通用 Agentic 能力，以及支撑这一切的大规模 Agentic 强化学习体系。

长程工程，从“补代码”到“跑项目”

01

单文件跑分高，不等于项目里真能干活

相较于“补一段函数”“修一个文件”的原子任务，真实工程完全是另一回事——开发者要 AI 干的活，往往是：读懂一个自然语言 issue，在几十上百个文件的仓库里定位到需要改动的多个位置，遵循项目已有的设计约定给出最小改动，跑测试，遇到 fail 自己修回来。

跨文件定位偏差、遵循规范失败、测试没跑通就交差，是模型在长程仓库任务中最频繁暴露的三大问题。而在这些场景下，“跑分高”和“真能干活”是两码事。

为什么难？瓶颈往往不在模型“见过多少代码”，而在于它“完整跑通过多少项目”。要让模型真正学会跑项目，前提是有足够多、足够真实、能跑起来的仓库环境——而这类环境的自动化构建长期是业界难题，直接构建的成功率通常仅在 16.5% 左右。

02

我们做了什么：让模型在真实车间里练手

图1：Autobuilder 软件开发类数据构建流程

为此，我们建设了 AutoBuilder：一套让模型自己扮演“环境搭建工程师”的自动化流水线，反复分析仓库结构、生成配置脚本、在隔离沙箱中验证测试是否真的被执行、失败则自动迭代修复。

在这套流水线上，环境构建成功率提升至 57.2%，累计沉淀出覆盖 12 种编程语言、超过 10 万个可运行、可验证的仓库环境，变更类型涵盖缺陷修复、功能补齐、接口兼容、跨模块联动与回归修复。这就是 KAT-Coder-Pro V2.5 的“训练车间”。

在数据侧，我们同样没有沿用“留下做对的题、扔掉做错的题”这条老路。很多失败轨迹其实只是“差一步”——模型定位对了、方向对了，只缺一个关键决策。我们通过全流程行为过滤将这类高价值样本识别出来，配合针对性提示重新执行，把其中约 20% 成功转化为完整、可复现、可验证的训练数据。这让模型不仅学会“怎么做对”，也学会“错在哪里、如何拉回来”。

通用 Agentic，从“能调工具”到“驾驭真实业务”

01

能调工具，不等于跑通工作流

业界现有的工具调用评测，大多停留在原子任务上：查一次天气、订一张机票、算一次结果——平均 5 轮左右就能收尾。但真实的业务工作流远比这复杂。举一个例子：

“读取附件里一周的多平台热搜数据，筛选出短视频行业相关条目，按平台分类统计并取热度 Top 5，最终生成一份含四个章节、800 字的 Markdown 简报，按日期倒序排列，严禁编造附件外的数据。”

这类任务平均需要 10 轮以上工具交互，还带着大量隐含的格式约束、上下文一致性要求、精确的指令遵循。一个环节出错，任务就会面临失败。能调对单个工具，和能跑通这样一整段工作流，是两个量级的能力。

02

我们做了什么：让 Agentic 训练也有自己的车间

图2：KwaiClawEnv 通用 Agentic 类数据构建流程

和长程工程一样，这种能力同样练自“车间”。代码侧有 AutoBuilder 作为环境底座，通用 Agentic 场景则由 KwaiClawEnv 承担同样的角色：

• 在能力构造层（Service），它能动态扩展工具池，把开源社区大量 Skill 定义直接转换成可部署的服务，避免了“固定工具集合成”的窄化问题；

• 在任务生成层（Task），它以真实业务任务为种子，通过工具调用链、依赖约束与难度参数派生出海量任务变种

• 在质量筛选层（Eval），再经“硬规则 + 模型评审”双重过滤，只保留可执行、可验证、行为自然的高质量轨迹。

最终产出的训练数据，覆盖数据分析、跨系统整合、批量文档处理、报告生成等真实业务场景，这些恰恰也是快手数千名研发和业务同学每天最真实的诉求。

大规模 Agentic 强化学习，让模型自己学会“怎么干活”

01

模型不会做的事，靠 SFT 教不会

监督微调（SFT）擅长让模型“照着范文抄”——它能把已见过的轨迹学得很好，但一遇到没见过的项目结构、陌生的报错、意外的工具反馈，模型的鲁棒性就会显著下降。真正让 Agentic 模型学会“探索、纠错、验证”这类通用能力的，是大规模强化学习（RL）。围绕 RL，我们把功夫下在了以下三个环节：Harness Scaling、长程任务的信用分配、分层奖励体系。

02

我们做了什么：把训练车间做扎实

1、Harness Scaling（脚手架多样化）

图3：Agentic RL训练

我们没有让模型在单一固定的工具环境里“背答案”，而是让它在 mini-swe-agent、Claude Code、Codex、OpenClaw 等多种主流 Agent 框架下反复实战训练。

这些框架在工具调用协议、上下文管理方式、控制流复杂度上都存在显著差异——有的用结构化函数调用，有的用文本代码块；有的保留完整历史，有的做摘要压缩；有的需要模型自主规划，有的提供显式的反思引导。

通过在这些差异化环境中训练，模型学会的是“如何解决任务”这件事本身，而不是死记硬背某一种特定的交互格式，从根本上避免了“换个框架就水土不服”的问题。

2、长程任务的信用分配

Agentic 任务往往涉及几十甚至上百轮交互，一个好的最终结果，究竟是哪一步操作带来的？

为了解决这个“长程信用分配”难题，我们采用了非对称的 PPO 架构：模型在实际执行任务时，只能看到和真实部署环境一致的信息；但在训练阶段，负责评估好坏的 Critic 模块可以额外参考“上帝视角”的信息，比如最终测试是否通过、补丁质量如何等。

这种设计让训练信号更精准，能够精确定位到底是哪一步操作值得鼓励、哪一步该被纠正，而不会出现“一步错、全盘否”的粗放式惩罚。

3、分层奖励体系

我们为训练设计了一套三层奖励机制：

• 核心任务分数：以真实测试结果为准绳，防止模型通过篡改测试、走捷径等方式“刷分”；

• 标准行为约束：对重复输出、工具调用格式错误、跑完任务不清理临时文件等不规范行为进行过程性纠偏；

• 失败轨迹激励：即便任务没有完全成功，只要过程中有价值的探索（比如精准定位到了相关文件、部分测试通过），也会给予正向反馈，避免“一步错、全盘皆输”打击模型的探索积极性。

多专家融合，一个模型承载全部能力

在长程仓库工程、通用 Agentic、终端使用、前端美学生成、通用知识五个方向，我们分别训练了各自的专家模型。真正的挑战在于——如何把它们的能力融合到一个统一的学生模型里，避免“跷跷板效应”（提升一个能力就牺牲另一个）。

为此我们采用了MOPD（Multi-Teacher On-Policy Distillation，多教师在线策略蒸馏）：学生模型自己做题，题目属于哪个领域就请对应专家给指导，能力在函数空间融合而非参数空间硬拼。最终一个 V2.5 模型，同时承载了五个专家的能力，无需在部署时切换。

前文提到的前端美学生成能力之所以能在 KAT-Coder-Pro V2.5 中完整延续，正是这套融合机制的直接验证——新能力的大幅扩展，没有以牺牲既有能力为代价。一个 KAT-Coder-Pro V2.5 模型，写代码、跑工作流、做页面，无需切换。

图4：KAT-Coder-Pro-V2.5 与 SOTA 模型的对比

这些投入直接反映在结果上：

KAT-Coder-Pro V2.5 在 SWE-Bench Pro 上取得 65.2 分；在快手内部真实工程任务评测集 KAT Code Bench 上取得 53.1 分。对开发者而言，这意味着：你可以把一个完整的 issue 交给它，而不必先替它拆成一个个小改动。

在多轮 Agentic 任务评测 PinchBench 上，KAT-Coder-Pro V2.5 取得 94.2 分；在快手内部Agentic 评测集 KAT Claw Bench 上取得了 85.5 分。展现了在工具选择、上下文管理到最终交付物生成的全流程任务中的稳定表现。

现在开始

KAT-Coder-Pro V2.5 现已全量上线，欢迎通过 StreamLake 平台直接调用模型 API，灵活集成到你的工作流中。

API KEY申请：

https://streamlake.com/product/kat-coder

开发工具接入指南（点击下方阅读全文即可查看）：

https://www.streamlake.com/document/WANQING/me6ymdjrqv8lp4iq0o9

本文提到的完整技术细节均可在 KAT-Coder-Pro V2.5 技术报告中查阅： 

👉 https://arxiv.org/abs/2607.05471

期待与开发者朋友们碰撞出更多火花。扫码即可进入「KwaiKAT 交流群」获取最新资讯！