SE-Agent
访问网站
扫码查看
复制链接

优化多步推理的自主进化AI代理框架

标签：LLM代理 , SE-Agent , SWE-bench , 人工智能 , 多步推理 , 自主进化 , 轨迹优化 , 软件工程

SE-Agent

AI专业工具 / 智能体开发315 次浏览

综合介绍

SE-Agent 是一个创新的开源框架，专注于通过自我进化机制优化基于大语言模型（LLM）的代理在复杂多步推理任务中的表现。它通过轨迹级进化实现推理路径间的信息交换，突破单一轨迹的认知局限，显著提升问题解决能力。SE-Agent 在 SWE-bench Verified 测试中取得 80% 的 Top1 性能，位居开源框架榜首，展现了其在软件工程任务中的强大潜力。框架支持灵活的配置和扩展，适合开发者和研究人员用于探索复杂推理场景。用户可通过简单的安装和配置快速上手，结合其核心操作（修订、重组、优化）实现高效的推理优化。

功能列表

  • 自我进化机制：通过修订、重组和优化三大核心操作，提升推理轨迹的多样性和质量。
  • 轨迹修订：分析失败轨迹，识别问题并生成全新的解决方案，突破原有策略局限。
  • 轨迹重组：整合多条轨迹的优点，生成更优的解决方案，实现协同效应。
  • 轨迹优化：精简冗余步骤，提升轨迹效率，规避系统性错误。
  • 灵活的扩展支持：允许用户自定义进化策略，适配不同任务需求。
  • 批处理功能：支持批量处理多个 SWE-bench 实例，高效完成大规模任务。
  • 压缩轨迹存储：采用 .tra 文件格式，减少 80% 存储空间，便于管理大量轨迹数据。
  • 多模型支持：兼容 DeepSeek、OpenAI、Anthropic 等多种 LLM API，提升灵活性。

使用帮助

安装流程

SE-Agent 提供了两种安装方式，适合不同用户需求。以下是详细步骤：

方式一：使用 Pip 安装（推荐）

  1. 克隆仓库到本地： 
    git clone https://github.com/JARVIS-Xs/SE-Agent.git
cd SE-Agent
  1. 安装依赖： 
    pip install -e .
  2. 验证安装： 
    sweagent --help

    成功显示帮助信息表示安装完成。

方式二：使用 Conda 安装

  1. 克隆仓库： 
    git clone https://github.com/JARVIS-Xs/SE-Agent.git
cd SE-Agent
  2. 创建 Conda 环境： 
    conda create -n SE python=3.12
conda activate SE
  3. 安装依赖： 
    pip install -e .
  4. 验证安装： 
    sweagent --help

API 密钥配置

SE-Agent 支持多个 LLM API（如 DeepSeek、OpenAI、Anthropic）。配置步骤如下：

  1. 创建 .env 文件： 
    echo "DEEPSEEK_API_KEY=your_deepseek_key" > .env

    或根据需要配置其他 API 密钥：

    echo "OPENAI_API_KEY=your_openai_key" > .env
echo "ANTHROPIC_API_KEY=your_anthropic_key" > .env
  2. 确保 .env 文件位于项目根目录，系统会自动加载密钥。

详细配置选项可参考项目中的 instruction.md 文件。

快速上手

运行 SE-Agent 的基本实验非常简单。以下是运行演示和实验的步骤：

  1. 运行演示模式（无需 API 调用）： 
    python SE/basic_run.py --mode demo

    输出示例：

    ✅ SE-Agent initialized successfully
🔄 Starting self-evolution with 3 iterations
  2. 运行实验模式： 
    python SE/basic_run.py --mode execute

    这将启动一个完整的自我进化实验，执行默认配置的推理任务。

核心功能操作指南

SE-Agent 的三大核心操作（修订、重组、优化）是其独特优势，以下是具体使用方法：

1. 修订（Revision）

修订操作通过分析失败轨迹，识别错误或低效点，并生成全新的解决方案。例如，运行修订操作：

python SE/basic_run.py --config SE/configs/se_configs/experiment.yaml --mode execute
  • 配置文件中可指定 "operator": "alternative_strategy"，触发修订逻辑。
  • 系统会自动分析轨迹，生成新的策略，适合处理复杂问题。

2. 重组（Recombination）

重组操作整合多条轨迹的优点，生成更优解。配置方式：

strategy_config = {
"iterations": [
{"base_config": "baseline", "operator": None},
{"base_config": "enhanced", "operator": "crossover"}
]
}

运行命令：

python SE/basic_run.py --config SE/configs/se_configs/experiment.yaml --mode execute
  • 系统会从不同轨迹中提取高性能片段，合并生成新轨迹。

3. 优化（Refinement）

优化操作精简轨迹，移除冗余步骤。运行方式同上，配置文件中指定 "operator": "refinement"。优化后的轨迹更高效，适合需要快速迭代的场景。

自定义进化策略

SE-Agent 支持用户开发自定义进化操作。步骤如下：

  1. 创建自定义操作类： 
    from SE.operators import TemplateOperator, register_operator
class MyEvolutionOperator(TemplateOperator):
def _generate_content(self, instance_info, problem_description, trajectory_data):
return "Your generated strategy content"
  2. 注册操作： 
    register_operator("my_operator", MyEvolutionOperator)
  3. 在配置文件中指定使用 my_operator，即可应用自定义策略。

详细开发指南见 SE/operators.md。

批处理任务

对于大规模任务，SE-Agent 支持批处理：

sweagent run-batch \
--config config/default.yaml \
--agent.model.name deepseek/deepseek-chat \
--instances.subset verified \
--instances.slice :10
  • 上述命令处理 SWE-bench 前 10 个验证实例。
  • 可通过修改 --instances.slice 调整处理范围。

测试与调试

确保代码和功能正常运行：

  1. 运行所有测试： 
    pytest
  2. 运行框架特定测试： 
    python SE/test/run_operator_tests.py
  3. 代码格式化： 
    ruff check .
ruff format .

应用场景

  1. 软件工程任务自动化SE-Agent 可用于自动化处理复杂的软件工程任务，如代码调试和优化，特别适合需要多步推理的场景。
  2. AI 研究与开发研究人员可利用 SE-Agent 的自我进化机制，探索大语言模型在复杂推理中的潜力，开发新型推理策略。
  3. 教育与培训开发者可通过 SE-Agent 的文档和示例，学习如何构建和优化基于 LLM 的代理，提升技术能力。
  4. 大规模数据处理批处理功能适合处理大量测试用例或任务实例，适用于企业级软件开发和测试。

QA

  1. SE-Agent 支持哪些 LLM？SE-Agent 支持 DeepSeek、OpenAI 和 Anthropic 的 API，用户可通过配置 .env 文件选择合适的模型。
  2. 如何处理安装失败？检查 Python 版本（推荐 3.12），确保依赖完整安装，或参考 instruction.md 排查环境问题。
  3. 如何开发自定义操作？参考 SE/operators.md，通过继承 TemplateOperator 类并注册新操作实现自定义策略。
  4. 运行实验需要多长时间？取决于任务复杂度和迭代次数，单次实验通常在几分钟内完成，批处理时间较长。
微信微博Email复制链接