FullStack-Agent: Enhancing Agentic Full-Stack Web Coding via Development-Oriented Testing and Repository Back-Translation
Das Paper stellt FullStack-Agent vor, ein einheitliches System, das aus einem Multi-Agenten-Entwicklungsframework, einer selbstverbessernden Daten-Skalierungsmethode und einem umfassenden Benchmark besteht, welche kollektiv ermöglichen, dass LLMs produktionsreife Full-Stack-Webanwendungen mit signifikant verbesserter Leistung in den Bereichen Frontend, Backend und Datenbankfunktionalität im Vergleich zu bestehenden State-of-the-Art-Methoden generieren.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie möchten einen voll funktionsfähigen Online-Shop bauen. Sie bitten einen intelligenten KI-Assistenten, dies für Sie zu tun. Die meisten aktuellen KI-Assistenten sind wie talentierte Maler, die nur wissen, wie man die Schaufensterfront bemalt. Sie können das Schild wunderschön gestalten, die Fenster glänzen lassen und die Türen öffnen, aber wenn man etwas kaufen möchte, passiert nichts. Es gibt keine Kasse, keinen Lagerraum und keinen Lieferwagen. Es ist ein „Fake“-Laden, der echt aussieht, aber keinen Backend-Teil hat.
Das Paper stellt FullStack-Agent vor, ein neues System, das darauf ausgelegt ist, die KI davon abzuhalten, nur die Fassade zu malen, und stattdessen den gesamten Laden inklusive der unsichtbaren Rohrleitungen, des Lagers und der Lieferwagen zu bauen.
Hier ist die Funktionsweise, unterteilt in drei einfache Teile:
1. Die Bauteam (FullStack-Dev)
Anstatt die Aufgabe einem einzelnen KI-Arbeiter zu geben, der versucht, alles auf einmal zu erledigen, haben die Autoren eine Baustelle mit spezialisierten Rollen geschaffen:
- Der Architekt (Planning Agent): Diese KI betrachtet Ihre Anfrage und zeichnet die Blaupausen. Sie entscheidet, wo die Wände stehen, wo die Rohre verlaufen und wie die Daten von der Eingangstür bis zum Backoffice fließen.
- Der Front-End-Ingenieur: Dieser Arbeiter baut den Teil, den man sieht (das Website-Design).
- Der Back-End-Ingenieur: Dieser Arbeiter baut den Teil, den man nicht sieht (die Datenbank und die Serverlogik).
Die Geheimwaffe: Das Team verfügt über spezielle Debugging-Tools (wie ein Diagnosecomputer eines Mechanikers).
- Wenn die Eingangstür nicht aufgeht, rät der Front-End-Ingenieur nicht einfach; er führt einen Test aus, der ihm genau sagt, welche Schraube locker ist.
- Wenn die Kasse das Geld nicht zählt, nutzt der Back-End-Ingenieur ein Werkzeug, das ähnlich wie Postman funktioniert (ein Tool, das echte Entwickler verwenden), um die Verbindung direkt zu testen, anstatt blind nach Lösungen zu suchen.
Dieses Teamwork stellt sicher, dass der „Laden“ tatsächlich funktioniert und nicht nur gut aussieht.
2. Der lernende Lehrling (FullStack-Learn)
Selbst mit einem großartigen Team muss die KI schlau genug sein, um zu wissen, wie man komplexe Dinge baut. Die Autoren erkannten, dass es nicht ausreicht, einer KI einfach nur zu sagen: „Baue einen Laden“; sie muss aus echten Beispielen lernen.
Sie entwickelten eine Methode namens Back-Translation. Stellen Sie sich vor, Sie finden ein fertiges, hochwertiges Haus (einen echten Website-Code von GitHub). Anstatt ihn nur zu kopieren, agiert die KI wie ein Detektiv:
- Sie untersucht das fertige Haus.
- Sie findet heraus, was der ursprüngliche Hausbesitzer gefordt hat (z. B. „Ich brauche ein Haus mit einer roten Tür und einer Garage“).
- Dann tut sie so, als würde sie dieses Haus von Grund auf neu bauen, Schritt für Schritt, als wäre es das erste Mal.
Durch die Durchführung dieses Prozesses mit tausenden echten Websites erstellt die KI ihr eigenes „Handbuch“. Sie lernt die Logik des Bauens von Grund auf, anstatt nur zu kopieren. Sie nutzen auch Augmentation, wobei sie ein bestehendes Hausdesign nehmen und die KI fragen: „Füge ein zweites Stockwerk hinzu“ oder „Verwandle dieses Haus in eine Bäckerei“, wodurch noch mehr Übungsszenarien entstehen. Dies ermöglicht es der KI, eigenständig klüger zu werden, ohne für jeden Schritt einen menschlichen Lehrer zu benötigen.
3. Der strenge Inspektor (FullStack-Bench)
Woher wissen Sie, ob die KI tatsächlich einen funktionierenden Laden gebaut hat und nicht nur einen Fake? Frühere Tests waren wie eine visuelle Inspektion: „Sieht die Tür gut aus? Ja. Bestanden.“
Die Autoren entwickelten ein neues Testsystem namens FullStack-Bench, das wie ein Gesundheitsinspektor funget.
- Front-End-Test: Öffnet sich die Tür?
- Back-End-Test: Hat die Kasse den Verkauf tatsächlich registriert?
- Datenbank-Test: Ist das Geld tatsächlich auf dem Bankkonto, oder hat die Kasse nur so getan, als hätte sie es entgegengenommen?
Der Inspektor betrachtet nicht nur die Website; er führt tatsächliche Tests durch, um zu sehen, ob Daten korrekt gespeichert und abgerufen werden. Wenn die KI das Backend fälscht, erwischt der Inspektor sie sofort.
Die Ergebnisse
Als sie dieses System auf die Probe stellten:
- Das neue Bauteam (FullStack-Dev) baute Websites, die tatsächlich viel besser funktionierten als bisherige Methoden. Es verbesserte die Erfolgsquote der „Schaufensterfront“ um etwa 9 %, der „Kasse“ um massive 38 % und des „Bankkontos“ (Datenbank) um 16 %.
- Der lernende Lehrling (FullStack-Learn) nahm ein Standard-KI-Modell und machte es durch eigenes Üben signifikant klüger im Bau dieser Gesamtsysteme, wobei die Punktzahlen in einigen Bereichen um fast 10 % stiegen.
Kurz gesagt: Das Paper präsentiert ein System, das verhindert, dass die KI Websites nur „vortäuscht“. Es nutzt ein Team spezialisierter KI-Arbeiter, bringt ihnen bei, indem sie echte Projekte rückwärts analysieren, und setzt einen strengen Inspektor ein, um sicherzustellen, dass die unsichtbaren Teile der Website tatsächlich funktionieren.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.