SAGE: A Self-Adaptive Agentic Framework for Execution-Guided Code Generation and Self-Repair
本文介绍了 SAGE，这是一个自适应多智能体框架，它通过采用闭环 MAPE-K 控制周期来迭代执行代码、分析运行时错误并进行自我修复，从而显著提高了生成可运行多文件项目的可靠性，并实现了与单次生成相比在成功率上的统计学显著提升。
原始论文采用 CC BY 4.0 许可（https://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
想象一下，你正试图教一个聪明但有点心不在焉的机器人去搭建一座复杂的乐高城堡。你给出了一个简单的指令：“造一座带有护城河和吊桥的城堡。”机器人在接受了数百万张城堡图片训练后，可能会瞬间拼凑出一个看起来非常完美的结构。但如果你尝试拉动吊桥，它可能会断掉，因为机器人使用了一个多年前就停产的零件，或者它忘了把底座固定在地面上。在计算机科学领域，这就是“大语言模型”（LLMs）所面临的挑战。这些 AI 系统非常擅长编写小的代码片段（比如单个函数），但当被要求从零开始构建整个完整的、可运行的软件项目时，它们往往会显得力不从心。它们可能会忘记安装必要的工具、使用过时的指令，或者创造出一个在纸面上看起来正确但在实际运行时会崩溃的程序。
长期以来，解决方案只是让机器人再试一次，希望它第一次就能做对。但本论文介绍了一种更聪明的方法：与其只是盲目猜测，不如让机器人真正去“建造”这座城堡，尝试打开吊桥，如果吊桥坏了，立即修复它。这就是“执行引导式自我修复”（execution-guided self-repair）的核心思想。这就像是拥有一个质量控制检查员，他不仅看蓝图，还会实际尝试使用产品。如果产品失败了，检查员会告诉建造者到底哪里出了问题，然后建造者进行修复。这种“建造、测试、修复”的循环会一直持续，直到项目完美运行。研究人员一直在问的一个大问题是：这种“尝试、失败、修复”的循环是否真的能让 AI 在构建复杂软件方面变得更强，还是只会让机器人原地打转并陷入混乱？
这项研究背后的研究人员 Harshil Lodhiya 创建了一个名为 SAGE（用于执行引导式代码生成与自我修复的自适应智能体框架）的新系统来回答这个问题。你可以把 SAGE 想象成一个由四个不同角色组成的微型自动化施工队，他们在循环中协作。首先，**规划者（Planner）**将你的宏大目标分解为详细的清单。第二，**编码员（Coder）**根据该清单构建文件。第三，**验证员（Validator）**充当严格的检查员：它搭建一个干净、隔离的工作室，安装必要的工具，并尝试运行程序。如果程序崩溃或未能完成预定任务，验证员并不会放弃；它会将错误信息发送给第四个成员——反馈智能体（Feedback Agent）。这个智能体就像一名侦探，阅读错误报告，并准确告诉编码员应该修改哪个文件以及如何修复。随后，编码员进行修复，整个团队再次尝试。这个循环会重复进行，直到项目成功运行或尝试次数耗尽。
团队在他们专门设计的 15 个棘手任务上测试了 SAGE，这些任务旨在难倒 AI，例如使用已不存在的旧库命令或缺失必需的输出文件。他们将 SAGE 的“修复”循环与仅尝试构建一次并寄希望于好运的标准 AI 进行了对比。结果显而易见：自我修复循环带来了巨大的差异。当使用强大的 AI 模型（gpt-4.1-mini）时，标准的“单次尝试（one-shot）”方法的成功率约为 69.3%。但当加入 SAGE 修复循环后，成功率跃升至 92.0%。这是 22.7 个百分点的提升，研究人员称这是一个显著且有意义的增益。本质上，这个循环挽救了那些 AI 原本会完全失败的任务，例如修复一段试图使用已被流行数据库移除的“月份（month）”频率别名的代码。
然而，论文还测试了一个更激进的版本。他们想知道：如果 AI 不仅仅修复崩溃，还检查程序是否“完美”地完成了任务（即使没有报错），情况会怎样？例如，如果一个程序本应生成一个报告文件，但它在没有出错的情况下运行结束，却唯独没生成那个文件，AI 能发现吗？他们构建了一个“感知正确性（correctness-aware）”的系统来执行此操作。令人惊讶的是，这种额外的严格性并没有带来多少帮助。成功率仅微增了 2.7 个点（达到 94.7%），研究人员发现这种差异在统计学上并不显著。事实上，过度的检查有时会导致 AI “过度修复”某些内容，从而破坏了原本运行正常的程序。这一教训告诉我们：虽然告诉 AI 成功的标准是有帮助的，但不断强迫它重新检查和重新修复，反而可能适得其反。
简而言之，论文表明，给 AI 一个“尝试、失败、修复”的循环是构建可用软件的一种强大方式，它将成功率从约 69.3% 提升到了 92.0%。它证明了让 AI 在一个真实的、隔离的环境中观察自己的错误，是释放其处理复杂项目潜力的关键。但它同时也警告我们，过于追求完美可能会产生副作用；有时，让 AI 修复重大错误并保持其余部分现状，效果反而更好。研究人员已经将其代码和测试套件开源，希望帮助他人构建能够实现自我修复的软件。
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。