NES框架从历史轨迹学习意图，预测准确率75.6%

FSE（ACM Joint European Software Engineering Conference and Symposium on the Foundations of Software Engineering）是全球软件工程领域的顶级学术会议（CCF-A 类）其中的 Industry track 专门面向卓越应用研究，重点考察工作的显著性 (Significance)、稳健性 (Soundness) 以及对当前工业实践的改进程度。

1. 过度依赖显式指令，打断心流

NES 的出发点来自一个朴素但被低估的事实：

为此，NES 设计了一个双模型架构：

三、从 “轨迹采集 → 数据构建 → 两阶段训练 → 推理加速” 闭环落地

NES 的实现可以拆成三个关键环节。

3.2 两阶段训练：SFT 学模式，DAPO 对齐人类偏好

NES 对两个模型都采用了两阶段后训练流程：

通过两阶段的模型训练，NES 在核心指标上达到 SOTA：

3.3 推理优化：把 “可落地性” 拉到 250ms 以内

在 IDE 内联建议场景里，推理延迟几乎决定生死。NES 在系统侧引入了Prefix Caching与Speculative Decoding等优化，并针对工业环境进行工程调优，使端到端建议响应达到 平均 <250ms 的量级。

四、效果与价值：交互链路被重构

4.1 效果展示：

逻辑类的修改，当用户把 Point2D 改为 Point3D 时，模型能够理解代码逻辑的变化，首先增加 z 参数，接着预测需要跳转到第 18 行进行修改，用户采纳修改后，紧接着预测用户到第 19 行进行修改

格式统一，当把 Monday 修改为星期一时，首先 edit 模型会对 7-9 行进行同样的命名风格修改，用户采纳后，next-tab 模型帮助用户导航到第 10 行进行同样的修改，整个过程用户只需要按 tab 键即可完成

4.2 开发者与代码的交互链路被改写

这类体验的提升，对开发者心流非常重要。

五、NES 在 Agent 时代的不可替代生态位

写代码从来不是一次性的创作，而是无数次 "发现问题→定位→修改→再定位" 的循环。那些打断心流的瞬间，往往不是来自一个复杂的 Bug，而是一次又一次的 "下一处该改哪"。