想了解更多AIGC的内容，请访问：
51cto ai.x社区
https://www.51cto.com/aigc/
最近，有很多人在为 AI 代替自己的工作而担忧。
上个月火遍AI圈的「首位 AI 程序员」Devin，利用大模型能力已经掌握了全栈技能，仅需要人类给出自然语言指令，就可以自动完成复杂的代码任务。
Devin展示的工具能力非常惊艳，特别是这款自走闭源路线的创业公司。目前只有少数人才能使用这种内测名额的人才能够拥有。
本周二，来自普林斯顿大学NLP组的研究人员发布了SWE-agent——一个开源版AI程序员，不到一天就获得了上千的GitHub Star数量。这个SWE-agent是基于深度学习的技术，能够自动编写高效且可靠的代码。他的发布引起了广泛的关注，许多开发者对他的技术和性能表示了高度的认可。这些成就也证明了NLP领域在AI研
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
SWE-agent 是一款用于自主解决 GitHub 存储库中问题的新系统。它在 SWE-bench 上获得了与 Devin 相似的准确度，平均耗时为 93 秒。
- 项目网站：https://swe-agent.com/
- GitHub：https://github.com/princeton-nlp/SWE-agent
该项目的作者 John Yang 表示，相关论文的预印版也将在 4 月 10 号上传。
从原理上看，SWE-agent 通过将大模型（例如 GPT-4）转变为软件工程智能体，可以修复真实 GitHub 存储库中的错误和问题。
在完整的 SWE-bench 测试集上，SWE-agent 解决了 12.29% 的问题，实现了 SOTA 性能。
为了提供开发过程中的自动化，SWE-agent 通过与专用终端交互来工作，它可以打开、搜索文件内容，使用自动语法检查、编辑特定行，也可以编写并执行测试。
该项目的开发者精心设计了 UI 界面，并在 GitHub 上进行了介绍。
智能体 - 计算机接口 (ACI)
研究团队设计了简单的以大模型（LM）为中心的命令和反馈格式，使大模型能够更方便地浏览存储库、查看、编辑和执行代码文件，这被称为智能体 - 计算机接口 (ACI)。研究团队还构建了 SWE 智能体存储库，以便轻松迭代存储库级编码智能体的 ACI 设计。
就像语言模型需要良好的提示工程（prompt engineering）一样，良好的 ACI 设计在使用智能体时会带来更好的结果。没有经过良好调整的 ACI 的基线智能体的表现比 SWE-agent 差得多。
SWE-agent 包含研究团队在智能体 - 计算机接口设计过程中发现的非常有用的功能，包括：
1. 添加一个在发出编辑命令时运行的 linter，如果代码语法不正确，则不会让编辑命令通过。
2. 为智能体提供一个专门构建的文件查看器。研究团队发现此文件查看器在每轮仅显示 100 行时效果最佳，并且该文件编辑器具有上下滚动以及在文件中执行搜索的命令。
3. 为智能体提供专门构建的全目录字符串搜索命令。研究团队发现该工具简洁地列出匹配项非常重要 —— 只需列出至少有一个匹配项的每个文件。该研究表明，向模型显示有关每个匹配的更多上下文对于模型来说太混乱了。
4. 当命令的输出为空时，返回一条消息：「您的命令已成功运行，但未产生任何输出」。
未来发布的论文将详述更多信息。
安装与使用
要使用 SWE-agent，首先要设置好如下条件：
1. 安装 Docker，并在本地启动 Docker；
2. 安装 Miniconda，并使用 conda env create -fenvironment.yml 创建 swe-agent 环境；
3. 使用 conda activate swe-agent 激活；
4. 运行 ./setup.sh 创建 swe-agent docker 镜像；
5. 在此存储库的根目录下创建一个 keys.cfg 文件并填写以下内容：
OPENAI_API_KEY: 'OpenAI API Key Here if using OpenAI Model (optional)'ANTHROPIC_API_KEY: 'Anthropic API Key Here if using Anthropic Model (optional)'GITHUB_TOKEN: 'GitHub Token Here (required)'
SWE-agent pipeline 包含两个步骤：
- 第一步：SWE-agent 接收输入的 GitHub 问题，并返回尝试修复它的拉取请求（pull request）；
- 第二步：评估拉取请求以验证它确实解决了问题（目前仅适用于 SWE-bench 基准测试中的问题）。
如果想在整个 SWE-bench 上运行和评估，最简单的方法是使用 x86 机器。
python run.py --model_name gpt4 \--data_path https://github.com/pvlib/pvlib-python/issues/1603 --config_file config/default_from_url.yaml
python run.py --model_name gpt4 \--per_instance_cost_limit 2.00 \--config_file ./config/default.yaml
如果想运行 SWE-bench 中的单个问题，可以使用 --instance_filter：
python run.py --model_name gpt4 \--instance_filter marshmallow-code__marshmallow-1359
想了解更多AIGC的内容，请访问：
51cto ai.x社区
https://www.51cto.com/aigc/
