想象一下，你的代码仓库就像一个杂乱无章、混乱不堪的阁楼，里面堆满了旧箱子、缠绕在一起的电线和重复的工具。多年来，你一直有一位“代码检查员”（传统的工具，如 Pylint 或 SonarQube）走进来，指着这一片狼藉，然后递给你一份长长的投诉清单。但问题在于，这位检查员从不清理，他们只是告诉你哪里出了问题，然后就走开了。

这篇论文介绍了一个由四名 AI Agent（人工智能智能体） 组成的新团队，他们不仅会抱怨，还会真正卷起袖子，动手清理阁楼，并证明自己在清理过程中没有弄坏任何东西。研究人员构建了一个“自愈”系统，其中这四个性格迥异的角色尝试修复同一段混乱的代码，而系统会根据谁让地方变得更好且没有引发灾难来选出胜出者。

四大智能体：专家团队

研究人员并没有只制造一个机器人，而是制造了一个由四个成员组成的团队，每个成员都有不同的性格和技能组合，以观察哪一个在处理不同类型的混乱时表现最佳。

1. 基于规则的智能体（严厉的图书管理员）： 这个智能体遵循一套严格且不变的清单。它寻找那些显而易见、枯燥乏味的问题，比如重复的导入、多余的空格或缺失的注释。它安全且可靠，就像一位知道每本书该放在哪里的图书管理员，但它可能会错过更深层、更复杂的结构性问题。
2. RAG 智能体（带着借书证的研究员）： 这个智能体很聪明，但它并不仅仅依赖自身的记忆。在提出修复建议之前，它会去公共图书馆获取最新的“软件工程最佳实践”（使用名为 Tavily 的工具进行网页搜索以及本地规则数据库）。它将自己的建议建立在真实的公共知识之上，从而降低了凭空捏造（幻觉）的可能性。
3. Groq LLM 智能体（富有创意的建筑师）： 这个智能体使用强大的大语言模型（在 Groq 上运行以保证速度）来对代码进行“思考”。它关注宏观层面，并建议进行深层的结构性调整，例如重新规划整个建筑的布局。它非常擅长处理复杂的语义问题，但需要小心观察，以免它过于天马行空而导致程序崩溃。
4. Q-Learning 智能体（通过试错学习的学生）： 这是一个 强化学习 的学生。它没有固定的规则手册，也没有借书证。相反，它通过尝试不同的动作（比如“清理导入”或“修复异常”）并根据代码改进的程度获得评分来进行学习。随着时间的推移，它会学会哪些动作最适合特定类型的混乱代码。

“自愈”流水线：它们是如何工作的

系统并不会让这些智能体肆意妄为。它扮演着一个严格的裁判角色，并拥有一套非常具体的游戏计划：

1. 安全副本： 在任何智能体接触代码之前，系统都会制作一份完美的、安全的仓库副本。任何人都不允许触碰原始代码。
2. 诊断： 系统扫描代码以寻找“代码异味”（坏习惯，如方法过长、嵌套循环过多或复杂度过高）。
3. 清理： 每个智能体都在自己的副本上尝试修复代码。
4. 安全网（最重要的部分）： 在这一点上，论文表现得非常谨慎。仅仅因为一个智能体让代码看起来“更整洁”并不意味着它变得更好了。系统会对新代码运行自动化测试。如果测试失败，修复方案会立即被丢弃。代码必须通过测试，并且在质量指标（如降低风险或提高可维护性）上显示出改进，才能被接受。
5. 胜出者： 系统会比较结果。它会挑选那个在不破坏测试的前提下，改进代码程度最大的智能体。

实验结果显示了什么

研究人员在四个著名的“重构卡塔”（旨在模拟混乱代码的练习库）上测试了这个系统：GildedRose、ExpenseReport、Theatrical Players 和 Dependency Breaking。

结果非常有趣，因为没有任何一个智能体能每次都获胜。“最佳”智能体完全取决于混乱的类型：

• GildedRose： 这个仓库存在简单的重复性问题。基于规则的智能体（严厉的图书管理员）在此获胜，将质量得分从 61 分提升到了 72 分。它非常适合进行简单的、确定性的清理工作。
• ExpenseReport： 这个项目需要更好的结构和风险管理。RAG 智能体（研究员）占据了领先地位，将得分提升至 68 分。事实证明，能够获取公共重构指南是关键。
• Theatrical Players： 这段代码需要深层的语义重组。Groq LLM 智能体（富有创意的建筑师）成为了英雄，将得分提升到了 69 分。它比其他智能体更能理解复杂的逻辑。
• Dependency Breaking： 这是一个依赖关系纠缠不清的难题。Q-Learning 智能体（学习者）表现最好，得分从 45 分飙升至 74 分（大幅提升了 64.44%！）。它学到了对于这种特定的结，只有采取自适应的、基于状态的行动才是有效的。

这篇论文对什么表示“否定”

作者非常明确地说明了该系统不是什么。

• 它不是一个能每次都完美修复一切的魔杖。
• 它明确拒绝了“单一 AI 模型在所有情况下都是最佳选择”的观点。论文认为，不同的问题需要不同的策略。
• 它排除了“你可以直接让 AI 重写代码而不检查其是否仍能正常运行”的想法。论文强调，如果没有“指标门禁”（测试和分数检查），智能体可能会让代码看起来很漂亮，但却破坏了实际功能。
• 论文并未声称这已是解决所有软件问题的方案。它承认这些结果是基于四个特定的公共仓库得出的，并且目前该系统仅适用于 Python 代码。

我们有多确定？

论文将这些结果呈现为来自特定实验的测量结果。作者展示了具体数字：例如，在使用 Q-Learning 智能体时，Dependency Breaking 仓库的缺陷减少了 66.67%，风险降低了 39.56%。

然而，作者谨慎地指出，这些都是在有限测试用例上的模拟。他们建议，虽然结果令人鼓舞，但系统需要在更多仓库（他们提议增加 25 到 50 个）上进行测试，以确保其在任何地方都有效。他们还提到，“质量得分”是一个他们创建的综合数值，虽然有用，但可能无法捕捉到软件质量的所有细微差别。

核心结论

这篇论文表明，修复代码的未来不仅仅是一个超级智能的机器人。相反，它是一个由专家组成的团队在并行工作，每个人都使用不同的策略（规则、研究、创意或学习），并在一个严格裁判的监督下运行，以确保万无一失。由于“胜出者”会根据任务的变化而改变，这证明了在代码质量的世界里，多样性才是成功的关键。