不到 24 小时，Star 量突破 1400。
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 展示的能力非常惊艳，不过这款工具出自走闭源路线的创业公司，现在只有一小部分获得了内测名额的人才能利用。
本周二，来自普林斯顿大学 NLP 组的钻研人员放出了 SWE-agent —— 一个开源版 AI 程序员，不到一天就获得了上千的 GitHub Star 量。
SWE-agent 是一款用于自主解决 GitHub 保存库中课题的新系统。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 保存库中的错误和课题。
在完整的 SWE-bench 尝试集上，SWE-agent 解决了 12.29% 的课题，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、搜寻文献内容，利用自动语法检查、编纂特定行，也可以编写并执行尝试。
该项目的开发者精心设想了 UI 界面，并在 GitHub 上进行了介绍。
智能体 – 计算机接口 (ACI)
钻研团队设想了简单的以大模型（LM）为中心的敕令和反馈格式，使大模型能够更方便地浏览保存库、查看、编纂和执行代码文献，这被称为智能体 – 计算机接口 (ACI)。钻研团队还建立了 SWE 智能体保存库，以便轻松迭代保存库级编码智能体的 ACI 设想。
就像语言模型需要良好的提示工程（prompt engineering）一样，良好的 ACI 设想在利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 包含钻研团队在智能体 – 计算机接口设想过程中发现的非常有用的功能，包括：
1. 添加一个在发出编纂敕令时运转的 linter，如果代码语法不正确，则不会让编纂敕令通过。
2. 为智能体提供一个专门建立的文献查看器。钻研团队发现此文献查看器在每轮仅显示 100 行时效果最佳，并且该文献编纂器具有上下滚动以及在文献中执行搜寻的敕令。
3. 为智能体提供专门建立的全目录字符串搜寻敕令。钻研团队发现该工具简洁地列出立室项非常重要 —— 只需列出至少有一个立室项的每个文献。该钻研表明，向模型显示有关每个立室的更多上下文对于模型来说太混乱了。
4. 当敕令的输出为空时，返回一条消息：「您的敕令已成功运转，但未产生任何输出」。
未来发布的论文将详述更多信息。
安置与利用
要利用 SWE-agent，首先要设置好如下条件：
1. 安置 Docker，并在本地启动 Docker；
2. 安置 Miniconda，并利用 conda env create -fenvironment.yml 建立 swe-agent 环境；
3. 利用 conda activate swe-agent 激活；
4. 运转 ./setup.sh 建立 swe-agent docker 镜像；
5. 在此保存库的根目录下建立一个 keys.cfg 文献并填写以下内容：
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 课题，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课题（目前仅适用于 SWE-bench 基准尝试中的课题）。
如果想在整个 SWE-bench 上运转和评估，最简单的方法是利用 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
如果想运转 SWE-bench 中的单个课题，可以利用 –instance_filter：
python run.py --model_name gpt4 \ --instance_filter marshmallow-code__marshmallow-1359