SWE-Agent
PulseAugur coverage of SWE-Agent — every cluster mentioning SWE-Agent across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
决定 AI 任务性能的是代理工具链，而非模型
研究表明，围绕大型语言模型以使其能够执行任务的代理工具链，对其性能有显著影响。北京大学的一项研究发现，最好的代理工具链在任务上得分 76.2，而最差的得分 52.4，这凸显了代理工具链在模型本身之上起到的关键作用。普林斯顿大学的进一步实验表明，为模型提供更少的上下文，例如一次只显示一百行代码，可以提高它们修复现实世界问题的能力。
-
AI代码工具的语言数量具有误导性；basemind维护着已被GitHub弃用的技术
AI工具理解代码的有效性常常被语言数量所误导，这些数量通常指的是简单的解析而非深度理解。像basemind、Serena和Sourcegraph这样的工具提供不同级别的代码分析，其中一些依赖于需要完整项目构建的语言服务器。这种构建依赖对于在未编译的代码库上工作的AI代理来说可能是一个重大缺点。例如，basemind通过使用一种名称解析的近似方法来绕过构建步骤，这项技术已被GitHub弃用，但basemind正在维护它。
-
普林斯顿大学的SWE-agent利用LLM自主修复GitHub错误
SWE-agent是普林斯顿大学开发的一款新工具，它将大型语言模型转化为自主代理，能够识别并修复真实的GitHub存储库中的错误。这项创新旨在通过利用AI进行代码纠正来自动化软件开发任务。
-
新系统AdaMAST自动为AI代理创建失败分类法
研究人员开发了AdaMAST，一个可以从AI代理的执行轨迹中自动生成自适应失败分类法的系统。该方法通过诱导系统级、角色特定和领域特定的轴上反复出现的失败词汇，避免了手动编码或注释。生成的分类法比自由形式的反射在代理系统搜索、运行时技能改进和轨迹选择方面更有效，在准确性和分辨率方面显示出显著的提高。
-
新基准TestEvo-Bench评估AI代理在代码和测试协同进化方面的能力
研究人员推出了TestEvo-Bench，一个旨在评估AI代理在代码变更协同进化测试方面能力的新基准。该基准包含生成新测试和更新现有测试的任务，这些任务基于真实的提交历史和可执行环境。TestEvo-Bench通过定期挖掘新任务来减少数据泄露，当前快照包含来自152个开源Java项目的1200多个任务。
-
论文为AI编码助手定义“代理harness”
一篇新发表在arXiv上的论文提出了“代理harness”的正式定义，这个术语在软件工程中用于描述包装语言模型以创建编码代理的系统。作者追溯了该术语的起源，并将其与代理框架和SDK等相关概念区分开来。他们提出的定义旨在为工程实践和代理系统的科学比较提供一致的词汇，并用此定义测试了几个现有的harness。
-
DeepSeek研究员与AI代理合作撰写论文，提出自主性等级
DeepSeek研究员陈德力与AI代理合作撰写了一篇研究论文，其中AI生成了99%的内容。该论文题为《自主研究代理的L1-L5分类法》，提出了一个五级AI代理分类系统，类似于自动驾驶汽车的自主性等级。它分析了四种架构模式，并评估了17个现有的自主研究系统，确定了实现完全自主AI研究（L5）的关键瓶颈，例如持续的知识积累和可靠的自我评估。
-
Alibaba的Qwen3-Coder-Next在SWE-Bench上取得70.6分，采用稀疏MoE架构
阿里巴巴的Qwen3-Coder-Next是一个拥有800亿总参数、30亿激活参数的模型，在SWE-Bench Verified基准测试中取得了70.6分。这一成绩尤为引人注目，因为它在提供可下载的Apache 2.0许可权重的同时，能够媲美顶级的闭源模型。该模型采用了稀疏混合专家（MoE）架构和混合注意力机制，结合了用于长上下文的线性注意力与用于全局上下文重建的标准注意力。
-
Code Researcher 代理将 Linux 内核崩溃解决率提高了 48%
一种名为 Code Researcher 的新型深度研究代理已被开发出来，通过分析大型代码库及其提交历史来解决复杂的系统代码问题。该代理在 kBenchSyz 等基准测试中的表现显著优于现有方法，使用 GPT-4o 达到了 48% 的崩溃解决率，使用 Gemini 2.5-Flash 甚至达到了更高的解决率。该研究强调了收集广泛的全局上下文和采用多方面推理对于在大型系统中进行有效代码修改的关键作用。