AgentForge: Execution-Grounded Multi-Agent LLM Framework for Autonomous Software Engineering
该论文提出了名为 AgentForge 的多智能体框架，通过强制实施沙箱执行验证作为代码变更传播的首要原则，显著提升了大语言模型在软件工程任务中的自主性与解决能力，在 SWE-Bench Lite 基准测试中取得了 40.0% 的通过率。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
这篇论文介绍了一个名为 AgentForge 的新系统，它的核心目标是让人工智能（AI）真正学会像人类工程师一样“修 bug"和写代码，而不仅仅是“猜”代码。
为了让你轻松理解，我们可以把写代码和修软件想象成**“建造和维修一座巨大的乐高城堡”**。
1. 以前的 AI 像什么？（“凭感觉猜”的画家）
以前的 AI 写代码，就像是一个非常有才华但从不画草图、也不看成品效果的画家。
- 你给它一个任务：“把城堡的塔楼加高。”
- 它凭感觉（概率）直接画出一张图，或者写出一段代码。
- 问题在于：它画完就以为结束了。它不知道塔楼是不是真的能站稳，也不知道加高后会不会把旁边的窗户压坏。它只是觉得“看起来很像那么回事”。
- 在现实中，这意味着 AI 生成的代码经常有逻辑错误，或者一运行就崩溃，因为它没有经过“实际测试”。
2. AgentForge 是什么？（一个严格的“工程团队”）
AgentForge 不再让一个 AI 单打独斗，而是组建了一个分工明确的“五人工程小队”。他们在一个**完全隔离的“安全实验室”（Docker 沙箱）**里工作。
这个团队由五个角色组成，每个人都有自己的绝活：
- 规划师 (Planner)：
- 角色：像总建筑师。
- 任务：他不直接动手搬砖，而是先画图纸。他会分析任务，列出步骤：先拆哪块砖，再加固哪根柱子，最后怎么测试。
- 编码员 (Coder)：
- 角色：像熟练的泥瓦匠。
- 任务：根据图纸，只修改需要改的那几块砖（生成代码补丁）。他非常小心，不会把整个城堡拆了重盖，只动必要的地方。
- 测试员 (Tester)：
- 角色：像严格的质检员。
- 任务：泥瓦匠刚修好，测试员立刻上去“踩一踩”、“摇一摇”。他会写出一套测试题，看看新修的塔楼能不能站住，会不会把旧窗户弄坏。
- 调试员 (Debugger)：
- 角色：像急救医生。
- 任务：如果测试员发现塔楼歪了（报错），调试员会立刻分析错误原因，然后修改代码，直到塔楼站稳。这个过程可以重复几次，直到修好为止。
- 评论员 (Critic)：
- 角色：像最终验收的监理。
- 任务：在所有步骤完成后，他做最后的检查。如果一切完美，他就签字通过，并把这次成功的经验记入“团队记忆库”，下次遇到类似问题直接参考。
3. 最核心的创新：强制“实地演练”
这是 AgentForge 最厉害的地方。
- 以前的系统：AI 写完代码，可能只是“模拟”一下运行，或者根本不看结果。就像画家画完画，自己说“我觉得这画没问题”，然后就把画挂出去了。
- AgentForge：它有一个强制规则——“不跑通，不通过”。
- 每一个修改好的代码，都必须被扔进那个隔离的“安全实验室”（Docker 沙箱）里真正运行一次。
- 如果代码在实验室里跑通了，测试全绿，它才算“修好了”。
- 如果跑错了，系统会立刻把错误信息反馈给“调试员”，让他改，直到跑通为止。
- 这就像盖房子，每砌一块砖，都要立刻拿水平尺量一下，量不准就拆了重砌，绝不允许带着隐患盖到下一层。
4. 为什么这样更好？（实验结果）
论文在著名的"SWE-bench"（一个像真实 GitHub 项目一样的测试场）上做了测试：
- 单打独斗的 AI：只有约 14% 的任务能真正修好。
- AgentForge 团队：成功修好了 40% 的任务。
- 结论：虽然用了更多步骤和更多 AI 角色，但因为有了“实地测试”和“分工合作”，成功率翻了两倍多。
5. 总结：它教会了我们什么？
这篇论文告诉我们，在软件工程中，“验证”比“生成”更重要。
- 与其让一个超级 AI 一次性写出完美的代码（这很难），不如让一群 AI 分工合作，写一点、测一点、改一点。
- 真金不怕火炼：代码只有在真实的运行环境中通过测试，才是好代码。
- 记忆很重要：这个系统会记住以前修好的案例，下次遇到类似的问题，它能直接调用经验，越用越聪明。
一句话总结：
AgentForge 不再让 AI 做“凭感觉猜谜”的画家，而是把它变成了一个有图纸、有质检、有医生、有监理的严谨工程队，并且强迫他们必须在“安全实验室”里把活干实了才算数。这让 AI 修软件的能力有了质的飞跃。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。