NES框架從歷史軌跡學習意圖，預測準確率75.6%

FSE（ACM Joint European Software Engineering Conference and Symposium on the Foundations of Software Engineering）是全球軟件工程領域的頂級學術會議（CCF-A 類）其中的 Industry track 專門面向卓越應用研究，重點考察工作的顯著性 (Significance)、穩健性 (Soundness) 以及對當前工業實踐的改進程度。

1. 過度依賴顯式指令，打斷心流

NES 的出發點來自一個樸素但被低估的事實：

為此，NES 設計了一個雙模型架構：

三、從 “軌跡采集 → 數據構建 → 兩階段訓練 → 推理加速” 閉環落地

NES 的實現可以拆成三個關鍵環節。

3.2 兩階段訓練：SFT 學模式，DAPO 對齊人類偏好

NES 對兩個模型都采用了兩階段后訓練流程：

通過兩階段的模型訓練，NES 在核心指標上達到 SOTA：

3.3 推理優化：把 “可落地性” 拉到 250ms 以內

在 IDE 內聯建議場景里，推理延遲幾乎決定生死。NES 在系統側引入了Prefix Caching與Speculative Decoding等優化，并針對工業環境進行工程調優，使端到端建議響應達到 平均 <250ms 的量級。

四、效果與價值：交互鏈路被重構

4.1 效果展示：

邏輯類的修改，當用戶把 Point2D 改為 Point3D 時，模型能夠理解代碼邏輯的變化，首先增加 z 參數，接著預測需要跳轉到第 18 行進行修改，用戶采納修改后，緊接著預測用戶到第 19 行進行修改

格式統一，當把 Monday 修改為星期一時，首先 edit 模型會對 7-9 行進行同樣的命名風格修改，用戶采納后，next-tab 模型幫助用戶導航到第 10 行進行同樣的修改，整個過程用戶只需要按 tab 鍵即可完成

4.2 開發者與代碼的交互鏈路被改寫

這類體驗的提升，對開發者心流非常重要。

五、NES 在 Agent 時代的不可替代生態位

寫代碼從來不是一次性的創作，而是無數次 "發現問題→定位→修改→再定位" 的循環。那些打斷心流的瞬間，往往不是來自一個復雜的 Bug，而是一次又一次的 "下一處該改哪"。