探索 OpenDevin 和编码代理的演变

OpenDevin 是一个开源的代理编码框架，旨在高效地编写 Python 脚本。

编码代理的崛起

六个月前，编码代理还被认为是一种新奇事物。尽管它们仍然偶尔未能达到预期，但其性能显著提升，使得越来越多的人开始发现它们的实际用途。

编码代理的工作流程

给定一个在提示中指定的编码问题，编码代理的典型工作流程包括以下几个步骤：

1. 分析问题： 使用大型语言模型（LLM）来理解问题，并可能将其分解为更小的步骤。
2. 生成代码： 编写解决问题所需的代码。
3. 测试代码： 执行代码并识别任何错误。
4. 迭代优化： 利用发现的错误来迭代地优化代码。

在这个广泛的框架内，有一个巨大的设计空间和许多创新可供实验。

该领域的著名论文

几篇论文对编码代理的发展做出了重要贡献：

• 《AgentCoder: Multiagent-Code Generation with Iterative Testing and Optimization》，Huang 等人（2024）
• 《LDB: A Large Language Model Debugger via Verifying Runtime Execution Step by Step》，Zhong 等人（2024）
• 《SWE-agent: Agent-Computer Interfaces Enable Automated Software Engineering》，Yang 等人（2024）

无需用户编写测试用例的代码测试

其中一个挑战是无需用户编写测试用例来测试代码。在多代理系统中，每个“代理”都是一个被提示扮演特定角色的 LLM。AgentCoder 的一个有趣结果表明，让不同的代理分别负责编写代码和生成测试，比让单个代理同时完成这两项任务的表现更好。这种分离确保了测试不会受到代码的影响，并且考虑到代码可能未覆盖的边缘情况。

输出测试和 LDB 方法

在测试代码时，许多人首先想到的是输出测试，即查看代码是否对特定的测试输入生成正确的输出。如果代码未通过测试，可以提示 LLM 反思代码未通过的原因，然后尝试修复它。

除了输出测试，LDB（大型语言模型调试器） 方法也非常有用。LDB 逐步执行代码，并在执行过程中向 LLM 提供变量值，以便 LLM 能够准确地发现错误发生的位置。这种方法模仿了人类开发者逐步检查代码的方式，以便精确定位并修复问题。

模仿人类工作流程

许多代理工作流程模仿人类工作流程。类似于其他机器学习工作，如果人类能够完成某项任务，那么模仿人类的方式使得开发比发明新流程要容易得多。

结论

OpenDevin 和类似的框架代表了编码代理领域的重大进展。通过利用多代理系统、迭代测试和模仿人类工作流程，这些工具变得越来越高效和实用。随着研究和开发的继续，我们可以期待未来出现更复杂和可靠的编码代理。