开放编码代理通常通过对交互轨迹进行监督微调来训练，这些轨迹的最终补丁能够通过基准测试套件。然而，仅以结果通过与否作为筛选标准会忽视过程质量：即使最终成功，轨迹中仍可能出现重复文件检查、工具使用不稳定或修改行为延迟等低效模式，这些都会被模仿学习所继承。\ \ 我们提出 TQS（Trajectory Quality Score），一种直接作用于轨迹结构的评分框架。TQS 不依赖大型语言模型评审，时间复杂度为线性。它通过围绕结构化收敛的三个信号来刻画轨迹质量：信息聚焦、意图‑行动对齐以及策略动态。\ \ 在公开的 155,144 条成功轨迹数据集上，我们使用 TQS 对轨迹进行排序，并在不同子集上进行微调。相较于随机或低分子集，使用高分轨迹微调的模型在 SWE‑Bench‑Verified 上表现持续提升。实验表明，过程层面的轨迹质量是编码代理监督的关键因素，结构化轨迹过滤提供了一种高效且可扩展的替代方案。\ \ 点评