SE-Agent: ein Rahmen für selbstoptimierende KI-Intelligenzen

SE-Agent ist ein selbst-evolutionärer Rahmen, der für Large Language Model (LLM) Intelligenzen entwickelt wurde. Er ermöglicht den Austausch von Informationen zwischen verschiedenen Denkpfaden durch einen evolutionären Mechanismus auf Trajektorenebene, der die Beschränkung auf einen einzigen Denkpfad aufhebt. Der SE-Agent ist in der Lage, den Suchbereich zu erweitern, das Abgleiten in lokale optimale Lösungen zu vermeiden und neue Fähigkeiten in Gruppeninteraktionen zu demonstrieren. Der Rahmen erreicht die bisher beste Leistung im SWE-Bench (einem Software-Engineering-Benchmark) und ermöglicht die autonome Evolution großer Modellintelligenzen bei komplexen Denkaufgaben. Es ermöglicht KI-Intelligenzen, komplexe Programmierprobleme effizienter zu lösen, indem sie verschiedene Lösungen analysieren, kombinieren und optimieren.

Funktionsliste

• Selbstevolutionärer RahmenDer Kernmechanismus ermöglicht den Informationsaustausch zwischen verschiedenen Argumentationspfaden durch Evolution auf Trajektorienebene, wodurch die kognitiven Beschränkungen eines einzelnen Pfades aufgehoben werden.
• Drei zentrale evolutionäre Operationen:
  • RevisionIntelligentsia analysiert gescheiterte Lösungen durch tiefe Selbstreflexion und entwickelt völlig neue und strukturell andere Lösungen.
  • RekombinationIntelligente Kombination der besten von vielen verschiedenen Lösungen, um neue und bessere Lösungen zu schaffen.
  • Verfeinerung:: Nutzung der Erfahrungen mit allen Lösungen, um diejenigen mit Potenzial zu optimieren, überflüssige Schritte zu eliminieren und Hinweise zur Risikovermeidung auf der Grundlage historischer Fehlschläge zu geben.
• Führende LeistungIn SWE-Bench-Tests nach Industriestandard, bei denen sowohl Open- als auch Closed-Source-Großsprachmodelle zum Einsatz kamen, zeigte SE-Agent Spitzenleistungen und löste das validierte Problem 80%.
• Flexible SkalierbarkeitUnterstützung der Benutzer bei der Erstellung maßgeschneiderter Evolutionsstrategien (Operatoren) für unterschiedliche Bedürfnisse und Szenarien.
• Effizientes GleismanagementTrajektionssystem zur kompakten Speicherung von Laufdatensätzen (was die Größe von 80% reduziert), zur Akkumulation von Wissen über Iterationen hinweg und zur Verwendung großer Modelle für die Trajektionsanalyse und -zusammenfassung.
• Fähigkeit zur StapelverarbeitungSWE-bench: Unterstützung der Stapelverarbeitung und des Testens mehrerer Instanzen in SWE-bench.

Hilfe verwenden

Der folgende Abschnitt beschreibt detailliert, wie Sie das SE-Agent-Framework installieren und verwenden.

Installation und Konfiguration

Option 1: Pip verwenden (empfohlen)

Dies ist die einfachste und unkomplizierteste Art der Installation.

1. Klonen Sie zunächst das Code-Repository von GitHub auf Ihren lokalen Computer:

   git clone https://github.com/JARVIS-Xs/SE-Agent.git
   ```2.  进入项目目录：
   ```shell
   cd SE-Agent
   

2. Verwenden Sie pip für Installationen im editierbaren Modus, der es Ihnen ermöglicht, Änderungen am Code sofort wirksam werden zu lassen:

   pip install -e .
   

Option 2: Virtuelle Conda-Umgebung verwenden

Conda ist eine gute Wahl, wenn Sie eine isolierte Umgebung für Ihr Projekt schaffen und Konflikte mit anderen Python-Projekten vermeiden wollen.

1. Klonen Sie das Code-Repository:

   git clone https://github.com/JARVIS-Xs/SE-Agent.git
   

2. Rufen Sie den Projektkatalog auf:

   cd SE-Agent
   

3. Verwenden Sie Conda, um eine Datei namensSEIhrer neuen Umgebung und geben Sie die Python-Version 3.12 an:

   conda create -n SE python=3.12
   

4. Aktivieren Sie diese neu erstellte Umgebung:

   conda activate SE
   

5. Schließlich installieren Sie SE-Agent in dieser Umgebung:

   pip install -e .
   

Überprüfen der Installation

Nach Abschluss der Installation können Sie den folgenden Befehl ausführen, um zu prüfen, ob die Installation erfolgreich war. Wenn Sie eine Hilfemeldung sehen oder das Testskript normal ausgeführt wird, ist die Installation abgeschlossen.

sweagent --help
python SE/test/run_operator_tests.py

Konfigurieren des API-Schlüssels

SE-Agent muss mit dem Big Language Modelling Service verbunden sein, um zu funktionieren. Sie benötigen mindestens einen API-Schlüssel.

1. Im Stammverzeichnis des Projekts (SE-Agent/), erstellen Sie eine Datei namens.envdes Dokuments.
2. Je nachdem, welchen Modelldienst Sie haben oder verwenden möchten, schreiben Sie die entsprechenden Schlüsselinformationen in eine Datei.

Zum Beispiel, wenn Sie die API von DeepSeek verwenden:

echo "DEEPSEEK_API_KEY=你的DeepSeek密钥" > .env

Oder, wenn Sie die OpenAI API verwenden:

echo "OPENAI_API_KEY=你的OpenAI密钥" > .env

Oder Sie verwenden die API von Anthropic:

echo "ANTHROPIC_API_KEY=你的Anthropic密钥" > .env

Das Programm lädt automatisch die.envSchlüsselinformationen in der Datei.

Grundlegender Betriebsablauf

1. die Demo ausführen (kein API-Verbrauch)

Dies ist ein Demomodus, der keine der großen Online-Modell-APIs aufruft und Ihnen einen schnellen Überblick über die Funktionsweise des Programms gibt.

python SE/basic_run.py --mode demo

2 Führen Sie Ihr erstes evolutionäres Experiment durch.

Mit diesem Befehl wird ein vollständiger Selbstentwicklungsprozess in Gang gesetzt, bei dem die Intelligenz beginnt, ein vordefiniertes Problem zu lösen. Dieser Prozess ruft die Big Model API auf, die Sie konfiguriert haben.

python SE/basic_run.py --mode execute

Nach der Ausführung sehen Sie eine Ausgabe ähnlich der untenstehenden, die anzeigt, dass die Intelligenz erfolgreich initialisiert wurde und 3 Runden der Selbstevolution begonnen hat:

✅ SE-Agent initialized successfully
🔄 Starting self-evolution with 3 iterations

3. stapelweise Verarbeitung

Wenn Sie die Leistung des SE-Agenten auf einem großen Datensatz (z. B. SWE-Bench) testen müssen, können Sie dierun-batchBefehl. Mit diesem Befehl können Sie Profile, Modelle, Teilmengen von Datensätzen und Verarbeitungsbereiche angeben.

sweagent run-batch \
--config config/default.yaml \
--agent.model.name deepseek/deepseek-chat \
--instances.subset verified \
--instances.slice :10

In diesem Beispiel wird diedeepseek/deepseek-chatModellierungSWE-benchMitteverifiedTeilmenge der ersten 10 Fragen.

Kundenspezifische Entwicklung

Die Stärke von SE-Agent liegt in seiner Erweiterbarkeit. Sie können Ihren eigenen evolutionären Operator (Operator) entwickeln, um völlig neue evolutionäre Strategien zu definieren.

Das folgende einfache Beispiel zeigt, wie man einen benutzerdefinierten Operator erstellt:

1. durch (eine Lücke)SE.operatorsImportieren von BasisklassenTemplateOperatorund Registrierungsfunktionenregister_operator.
2. Erzeugt ein Objekt, das von derTemplateOperatoreiner neuen Klasse, wie zum BeispielMyEvolutionOperator.
3. Implementiert in einer neuen Klasse_generate_contentMethode, die Ihre eigene Entwicklungslogik darstellt.
4. Schließlich ist die Verwendung vonregister_operatorFunktion registriert Ihren neuen Operator beim Framework und gibt ihm einen eindeutigen Namen.

from SE.operators import TemplateOperator, register_operator
class MyEvolutionOperator(TemplateOperator):
def _generate_content(self, instance_info, problem_description, trajectory_data):
# 在这里实现你的自定义进化策略
return "这是由我的新算子生成的内容"
# 注册后就可以在配置文件中使用了
register_operator("my_operator", MyEvolutionOperator)

Anwendungsszenario

1. Automatisierung der Softwareentwicklung
   SE-Agent kann automatisch Probleme lösen, die bei der Softwareentwicklung auftreten, z. B. die Behebung von Fehlern (Bugs), die Optimierung der Codeleistung oder das Hinzufügen neuer Funktionen bei Bedarf. Dazu simuliert er den Denkprozess eines menschlichen Entwicklers, probiert mehrere Lösungen aus, lernt und entwickelt sich daraus weiter und findet schließlich die beste Lösung.
2. Komplexe Problemlösungsforschung
   Im Bereich der akademischen Forschung können Forscher SE-Agent als experimentelle Plattform nutzen, um die Denk- und Lernfähigkeiten von KI-Intelligenzen bei der Lösung komplexer Probleme zu untersuchen. Durch die Anpassung verschiedener evolutionärer Strategien kann untersucht werden, welcher Ansatz für bestimmte Problemtypen am effektivsten ist.
3. AI Intelligente Stelle - Bewertung der Fähigkeiten
   Das SE-Agent Framework kann auf standardisierten Benchmarks (z.B. SWE-bench) ausgeführt werden, um die Leistung verschiedener großer Sprachmodelle bei Software-Engineering-Aufgaben zu bewerten und zu vergleichen. Dies bietet einen objektiven Leistungsmaßstab für Modellentwickler und Benutzer.

QA

1. Was ist die Kernidee von SE-Agent?
   Der Kerngedanke von SE-Agent ist die "Selbstentwicklung". Anstatt zu versuchen, ein Problem einmal zu lösen, wie es die traditionelle KI tut, generiert sie mehrere Lösungen (sogenannte "Trajektorien") und optimiert diese dann iterativ, indem sie Misserfolge analysiert, Erfolge integriert und schließlich eine qualitativ hochwertige Lösung hervorbringt, genau wie die biologische Evolution.
2. Welche großen Sprachmodelle werden von SE-Agent unterstützt?
   Der SE-Agent ist verfügbar über denlitellmBibliothek, um mehrere Modell-APIs zu unterstützen, darunter DeepSeek, OpenAI und Anthropic. Alles, was Sie tun müssen, ist das Hinzufügen der.envSie können es verwenden, indem Sie den entsprechenden API-Schlüssel in der Datei konfigurieren.
3. Benötige ich spezielle Hardware, um SE-Agent auszuführen?
   Für den Betrieb von SE-Agent selbst ist nicht viel lokale Hardware erforderlich, da er für rechenintensive Aufgaben hauptsächlich die großen Sprachmodell-APIs in der Cloud aufruft. Alles, was Sie brauchen, ist eine stabile Netzwerkverbindung und ein ausreichendes API-Kontingent.
4. Wie kann ich Code zu SE-Agent beitragen?
   SE-Agent ist ein Open-Source-Projekt, bei dem Sie Probleme melden oder Vorschläge machen können, indem Sie Issues auf GitHub einreichen, oder direkt Code beitragen, indem Sie Pull Requests einreichen. Vor der Entwicklung wird empfohlen, die Entwicklungsdokumentation im Projekt zu lesen.