目錄
第九週是寫程式週。週一是 Guest 場（十一月十六日）。週三談 Coding 與 Software Agents（十一月十八日）。第二份作業在週五到期（十一月二十日）。
給智慧體一個 GitHub issue，它能不能自己修好，這是本週的起點。端到端流程有五步：讀懂需求、找到相關程式碼、寫出重現腳本、動手改程式、跑測試確認。最後交出的是一份 patch，外加全部通過的測試。
你可以把它想成一位會用電腦的工程師學徒：給它任務與工具，它在沙箱裡試錯前進。本週有兩篇主讀物。SWE-agent 回答介面問題：給智慧體什麼樣的工具，它才改得動程式。OpenHands 回答平台問題：沙箱、工具庫、評測如何兜成通用底座。Guest 場沒有指定讀物，本篇不寫。
ACI：智慧體是新的一類終端使用者
靈感來自人機互動：人類有 IDE，智慧體也該有專屬介面。論文把這層抽象命名為 ACI，也就是智慧體與電腦之間的介面層。人類會自動忽略雜訊，模型卻要為每個 token 付代價，分心還會拖累表現。所以介面設計的任務很具體：讓狀態好讀、歷史精簡、動作可靠。
設計原則有四條。動作要簡單：文件短、選項少，拿起來就會用。動作要緊湊：找檔、看檔、改檔各自一氣呵成，不必跨多回合拼裝。回饋要精簡：改完立刻看到新內容，不附多餘雜訊。最後是護欄：寫壞立刻攔下，當場重寫，不讓錯誤滾雪球。
落到命令層面，搜尋有三個命令：找檔名、找字串、找目錄，結果太多就退回，請智慧體把查詢寫得更具體。開檔一次只看一百行，配上下捲動與跳行。編輯一次指定起止行並給出替換文字，外加語法檢查：壞編輯直接丟棄重來。
消融證據很直白。拿掉專屬編輯器，Lite 解析率掉將近八個百分點。拿掉語法檢查，也掉三個百分點。逐條翻搜尋結果的迭代式介面最慘：連不給搜尋工具都不如。介面不是包裝，而是效能本身。
鷹架即設計決策：OpenHands 的事件流與沙箱
OpenHands 把支架做成平台。前身叫 OpenDevin，後來長成社群共建的開放底座，程式碼開放在 GitHub。核心是一條事件流：動作與觀察按時間排成歷史，智慧體每步只讀這條流，再決定下一步。
執行環境是隔離的 Docker 沙箱，裡面有命令列、Python 直譯器與瀏覽器。智慧體的動作走 CodeAct：能用程式碼表達的，就不用逐一註冊工具。工具庫只收兩類東西：模型自己寫不出來的，以及要呼叫外部模型的。多智慧體靠委派：通用智慧體把瀏覽子任務交給瀏覽專家。
同一個通用智慧體不改提示詞，軟體、瀏覽、問答三類任務都能跑。以 Claude 系列為底座，它在 Lite 上拿下約二成六的解析率，與同期專用修 bug 系統相當。換成 GPT-4o，約二成二。短碼修 bug 基準 HumanEvalFix 上，零示範約七成九。SWE-agent 附成功軌跡作示範，拉到近八成八。
測試即回饋：先重現，再動手
智慧體的典型軌跡分兩段。開場先重現或定位：建檔寫重現腳本，或用搜尋命令縮小包圍圈。中段之後幾乎全是編輯加執行的迴圈：改完就跑，跑出新資訊再定位。
成功有個時間特徵：交得早的容易對。解出的案例中位數約十二步。卡住的平均步數是二十一步。解出一題的 API 花費約一點六美元。每題預算四美元，超支就自動送出當下進度。
失敗也有肖像。約五成是實作錯誤：patch 看似合理，功能就是不對。另有兩成多是連鎖壞編輯：一次手滑沒救回來，後面全跟著歪。一半以上的軌跡都吞過至少一次壞編輯，救回機率隨次數遞減。
SWE-bench 四元組：考題長什麼樣
基準本身也是設計。每道考題是四元組：issue 原文、某個 commit 的程式庫快照、修好才會過的新測試、修前修後都要過的舊測試。前者叫 FAIL_TO_PASS，後者叫 PASS_TO_PASS。智慧體看得到前兩項，看不到後兩項，兩組全過才算解出。
完整集來自十二個 Python 倉庫。題目是兩千多道真實 issue 留下來的。SWE-bench 的 Lite 子集只留三百題，省錢省時間。SWE-agent 配當時的 GPT-4，完整集解出一成二強。Lite 子集約一成八。只檢索不動手的 RAG 基線，在 Lite 上不到三個百分點。
怎麼做：給自己的倉庫出一份考題
怎麼做：挑自己倉庫裡一個已修好的 issue，把它包成四元組：issue 原文、當時版本、驗證用測試。智慧體只能看前兩項，在隔離沙箱裡重跑一次修 bug。測試全過才算分，沒過就把軌跡存下來，變成下一輪的教材。
它在課程裡的位置
Week 8 的裁判與護欄發了工具，本週直接下場寫程式：ACI 管手感，沙箱管安全，測試管對錯。第二份作業在週五到期，季度專案的展示也就不遠了。修 bug 智慧體正是專案的好題目：考題現成，評分自動，展示效果直觀。
本週 Course Material 對照
延伸閱讀有三份。Anthropic 的 Claude Code 實戰建議把上下文窗口當成最稀缺的資源，動手前先給智慧體可執行的驗證手段。第二份是Young 談長運行智慧體的 harness，初始化智慧體先鋪環境，每輪小步推進並留下進度紀錄。第三份 SWE-bench 原文是整週考題的源頭，發表時最強模型僅解出約二個百分點。
- 週一 11/16 Guest Lecture：客座場，無指定讀物。
- 週三 11/18 Coding & Software Agents：主讀物 SWE-agent、OpenHands（本文已導讀）；延伸閱讀 Anthropic Claude Code 實戰建議、Young 談長運行智慧體的 harness、Jimenez 等人 SWE-bench：LLM 能否解真實 GitHub issue。
- 課表原文：CS329Z 官網 Week 9
參考資料
Loading...