SWE-Agent 深度解析
SWE-Agent 是 Princeton NLP 团队开发的软件工程智能体，专门针对 SWE-bench 基准测试优化。其核心贡献在于 Agent-Computer Interface（ACI）的设计——通过为 LLM 定制交互接口，显著提升了智能体在真实软件工程任务上的表现。
ACI 设计哲学
SWE-Agent 的 ACI 设计遵循三个原则：
- 信息密度：每次观察应包含高密度的有用信息
- 操作原子性：每个动作应有明确的语义和可预测的结果
- 错误可恢复：操作失败应提供清晰的错误信息
bash
# SWE-Agent 定制的 ACI 命令
# 搜索函数定义
search_def "parse_config" --type function
# 定位文件中的特定行
open_file config/parser.py --line 42
# 编辑指定行范围
edit_file config/parser.py --start 42 --end 50 --content "..."与标准 Shell 的对比
传统 Shell 交互的问题在于输出格式不可控，LLM 难以从海量日志中提取关键信息。SWE-Agent 的 ACI 通过定制命令解决这一问题：
| 操作 | 标准 Shell | SWE-Agent ACI |
|---|---|---|
| 搜索代码 | grep -rn "keyword" | search_code "keyword" |
| 查看文件 | cat file.py | open_file file.py --line N |
| 编辑文件 | sed -i 's/old/new/' | edit_file file.py --start N --end M |
| 运行测试 | pytest tests/ | run_test test_file.py::test_name |
SWE-bench 性能
SWE-Agent 在 SWE-bench Lite 上取得了 22% 的解决率，显著高于使用标准 Shell 接口的基线方法（12%）。ACI 的设计贡献了约 10 个百分点的提升。
智能体循环
SWE-Agent 的主循环采用 ReAct 范式：
- Thought：分析当前状态，制定下一步计划
- Action：通过 ACI 执行操作
- Observation：获取操作结果
- Repeat：直到问题解决或达到步数上限