【论文解读】AGENTLESS：揭开LLM软件工程助手的神秘面纱，重塑软件工程自动化新基线

📜 文献卡

英文题目: Agentless: Demystifying LLM-based Software Engineering Agents;
作者: Chunqiu Steven Xia; Yinlin Deng; Soren Dunn; Lingming Zhang
DOI: 10.48550/arXiv.2407.01489
摘要翻译: 大型语言模型（LLM）的最新进展显著推进了软件开发任务的自动化，包括代码合成、程序修复和测试生成。最近，研究人员和行业从业者开发了各种自主LLM代理来执行端到端软件开发任务。这些代理配备了使用工具、运行命令、观察来自环境的反馈以及规划未来行动的能力。然而，这些基于代理的方法的复杂性，加上当前LLM的有限能力，引发了以下问题：我们真的必须使用复杂的自主软件代理吗？为了试图回答这个问题，我们构建了无代理——一种自动解决软件开发问题的无代理方法。与基于代理的方法的冗长和复杂的设置相比，Agentless采用了简单的本地化两阶段过程，然后进行修复，而不让LLM决定未来的行动或使用复杂的工具进行操作。我们在流行的SWE-bench Lite基准测试上的结果表明，令人惊讶的是，与所有现有的开源软件代理相比，简单的Agentless能够实现最高性能（27.33%）和最低成本（0.34美元）！此外，我们手动分类了SWE-bench Lite中的问题，并发现了精确的地面实况补丁或不足/误导性问题描述的问题。因此，我们通过排除此类有问题的问题来构建SWE-bench Lite-S，以执行更严格的评估和比较。我们的工作突出了当前在自主软件开发中被忽视的一种简单、可解释的技术的潜力。我们希望Agentless将有助于重置自治软件代理的基线、起点和视野，并激发未来朝着这一关键方向开展工作。
GitHub: https://github.com/OpenAutoCoder/Agentless

⚙️ 内容

这篇论文探讨了大型语言模型（LLM）在软件开发中的应用，并提出了一个名为AGENTLESS的简单解决方案。随着LLM技术的发展，研究人员和行业从业者已经开发出了各种自主的LLM代理程序，用于执行端到端的软件开发任务。