微软发布 AutoDev AI 程序员，自主完成软件工程任务性能提升 30%

解析器

解析器解释代理生成的响应，以预定格式提取指令和参数。它能确保指令格式正确，验证参数的数量和准确性（例如，文件编辑指令需要文件路径参数）。如果解析失败，就会在对话中注入错误信息，阻止对资源库的进一步操作。通过强制执行特定的代理权限和进行额外的语义检查，成功解析的命令会被进一步分析。它能确保建议的操作符合用户指定的细粒度权限。如果命令通过审查，对话管理器就会调用工具库中的相应操作。

输出组织器

输出组织器模块主要负责处理从评估环境接收到的输出。它选择关键信息（如状态或错误），有选择地总结相关内容，并将结构良好的信息添加到对话历史记录中。这可确保用户对 AutoDev 的操作和结果有一个清晰、有条理的记录。

对话终止器

会话管理器决定何时结束会话。这可能发生在代理发出任务完成信号（停止命令）、对话达到用户定义的最大迭代次数/token、或在进程或评估环境中检测到问题时。

AutoDev 的全面设计确保了人工智能驱动开发的系统性和可控性。

代理调度程序（Multi-Agents）

代理调度器负责协调人工智能代理，以实现用户定义的目标。配置了特定角色和可用命令集的代理协同运行，执行各种任务。调度器采用各种协作算法，如循环、基于令牌或基于优先级的算法，来决定代理参与对话的顺序和方式。

具体来说，调度算法包括但不限于以下几种：

1. 循环协作，按顺序调用每个代理，让每个代理执行预定数量的操作；
2. 基于令牌的协作，让一个代理执行多个操作，直到它发出一个令牌，表示完成了分配的任务；
3. 基于优先级的协作，按照代理的优先级顺序启动代理。代理调度器通过当前对话调用特定代理。

代理

由 OpenAI GPT-4 等大型语言模型（LLM）和为代码生成而优化的小型语言模型（SLM）组成的代理通过文本自然语言进行交流。这些代理从代理调度程序（Agent Scheduler）接收目标和对话历史，并根据规则和行动配置指定的行动做出响应。每个代理都有其独特的配置，有助于实现用户目标的整体进展。

工具库（Tools Library）

AutoDev 中的工具库提供了一系列命令，使代理能够对资源库执行各种操作。这些命令旨在将复杂的操作、工具和实用程序封装在简单直观的命令结构中。例如，通过 build 和 test <test_file> 这样的简单命令，就能抽象出与构建和测试执行有关的复杂问题。

• 文件编辑：该类别包含用于编辑文件（包括代码、配置和文档）的命令。该类别中的实用程序，如写入、编辑、插入和删除，提供了不同程度的精细度。代理可以执行从写入整个文件到修改文件中特定行的各种操作。例如，命令 write <start_line>-<end_line> 允许代理用新内容重写一系列行。
• 检索：在这一类别中，检索工具包括 grep、find 和 ls 等基本 CLI 工具，以及更复杂的基于嵌入的技术。这些技术能让代理查找类似的代码片段，从而提高他们从代码库中检索相关信息的能力。例如，retrieve 命令允许代理执行与所提供内容类似的基于嵌入的片段检索。
• 构建与执行：这类命令允许代理使用简单直观的命令毫不费力地编译、构建和执行代码库。底层构建命令的复杂性已被抽象化，从而简化了评估环境基础架构中的流程。这类命令的示例包括：构建、运行 <文件>。
• 测试与验证：这些命令使代理能够通过执行单个测试用例、特定测试文件或整个测试套件来测试代码库。代理可以执行这些操作，而无需依赖特定测试框架的底层命令。这类工具还包括校验工具，如筛选器和错误查找工具。这类命令的例子包括：检查语法正确性的 syntax 和运行整个测试套件的 test。
• Git：用户可以为 Git 操作配置细粒度权限。包括提交、推送和合并等操作。例如，可以授予代理只执行本地提交的权限，或者在必要时将更改推送到源代码库。
• 通信：代理可以调用一系列旨在促进与其他代理和/或用户交流的命令。值得注意的是，talk 命令可以发送自然语言信息（不解释为版本库操作命令），ask 命令用于请求用户反馈，而 stop 命令可以中断进程，表示目标已实现或代理无法继续。

因此，AutoDev 中的工具库为人工智能代理提供了一套多功能且易于使用的工具，使其能够与代码库进行交互，并在协作开发环境中进行有效交流。

评估环境（Eval Environment）

评估环境在 Docker 容器中运行，可以安全地执行文件编辑、检索、构建、执行和测试命令。它抽象了底层命令的复杂性，为代理提供了一个简化的界面。评估环境会将标准输出/错误返回给输出组织器模块。

整合

用户通过指定目标和相关设置启动对话。对话管理器初始化一个对话对象，整合来自人工智能代理和评估环境的信息。随后，对话管理器将对话分派给负责协调人工智能代理行动的代理调度器。作为人工智能代理，语言模型（大型或小型 LM）通过文本互动提出指令建议。命令界面包含多种功能，包括文件编辑、检索、构建和执行、测试以及 Git 操作。对话管理器会对这些建议的命令进行解析，然后将其引导至评估环境，以便在代码库中执行。

这些命令在评估环境的安全范围内执行，并封装在 Docker 容器中。执行后，产生的操作将无缝集成到对话历史中，为后续迭代做出贡献。这种迭代过程一直持续到代理认为任务完成、用户干预发生或达到最大迭代限制为止。AutoDev 的设计确保了系统、安全地协调人工智能代理，以自主和用户控制的方式完成复杂的软件工程任务。

实证评估设计

在研究人员的实证评估中，评估了 AutoDev 在软件工程任务中的能力和有效性，研究它是否能够提升人工智能模型的性能，而不仅仅是简单的推理。此外，研究人员还评估了 AutoDev 在步骤数、推理调用和 token 方面的成本。主要是确定了三个实验研究问题：

• RQ1: AutoDev 在代码生成任务中的效果如何？
• RQ2: AutoDev 在测试生成任务中的效果如何？
• RQ3: AutoDev 完成任务的效率如何？

RQ1: AutoDev 在代码生成任务中的效率如何？

研究人员使用 Pass@k 指标来衡量 AutoDev 的有效性，其中 k 表示尝试的次数。成功解决的问题是指 AutoDev 生成的方法主体代码满足所有人工编写的测试。一次尝试相当于一次完整的 AutoDev 对话，其中涉及多个推理调用和步骤。这与其他方法（如直接调用 GPT-4）形成鲜明对比，后者通常只涉及一次推理调用。有关多次推理调用和步骤的细节将在 RQ3 中进一步探讨。在本次评估中，研究人员设置 k = 1，从而计算 Pass@1，只考虑第一次尝试的成功率。

RQ2: AutoDev 在测试生成任务中的效果如何？

对于这个研究问题，研究人员修改了 HumanEval 数据集，来评估 AutoDev 在生成测试方面的能力。研究人员考虑人工编写的解决方案，并放弃所提供的人工编写的测试。他们指示 AutoDev 为重点方法生成测试用例，并根据测试成功率、重点方法的调用和测试覆盖率对其进行评估。研究人员报告 Pass@1，如果测试通过并调用了焦点方法，则认为测试成功。此外，研究人员还将 AutoDev 测试的覆盖率与人工编写的测试覆盖率进行了比较。

RQ3: AutoDev 完成任务的效率如何？

在本研究问题中，研究人员将调查 AutoDev 完成 SE 任务的效率。研究人员分析了所需步骤或推理调用的数量、所使用命令的分布（如写入、测试）以及对话中使用的 token 总数。

AutoDev 设置与实验结果

在本次评估中，AutoDev 基于 GPT-4 模型（gpt-4-1106-preview）与一个代理保持一致的设置。启用的操作包括文件编辑、检索和测试。唯一可用的通信命令是表示任务完成的 stop 命令。其他命令，如询问，都是禁用的，这就要求 AutoDev 在初始目标设定之外，在没有人类反馈或干预的情况下自主运行。

AutoDev 在代码生成任务中的效率如何？

表 1 显示了，将 AutoDev 与两种替代方法和零样本基线进行了比较。研究人员将 AutoDev 与语言代理树搜索（LATS）和 Reflexion 进行了比较，这两种方法是截至 2024 年 3 月 HumanEval 排行榜上的两种领先方法。零样本基线（GPT-4）的结果取自 OpenAI GPT-4 技术报告。

AutoDev Pass@1 率为 91.5%，在 HumanEval 排行榜上稳居第二。值得注意的是，这个结果是在没有额外训练数据的情况下获得的，这将 AutoDev 与 LATS 区分开来，后者达到了 94.4%。此外，AutoDev 框架将 GPT-4 性能从 67% 提升至 91.5%，相对提升了 30%。这些结果体现出，AutoDev 有能力显著提升大模型完成软件工程任务方面的表现。

AutoDev 在测试生成任务中的效果如何？

AutoDev 在针对测试生成任务修改的 HumanEval 数据集上，获得了 87.8% Pass@1 分数，与使用相同 GPT-4 模型的基线相比，相对提高了 17%。AutoDev 生成的正确测试（包含在 Pass@1 中）实现了 99.3% 的鲁棒覆盖率，与人工编写的测试的 99.4% 覆盖率相当。

AutoDev 完成任务的效率如何？

图 3 显示了，AutoDev 在代码生成和测试生成任务中使用的命令累积数，其中考虑到问题 1 和问题 2 中每个 HumanEval 问题的平均评估命令数量。对于代码生成，AutoDev 平均执行 5.5 条命令，其中包括 1.8 条写入操作、1.7 条测试操作、0.92 条停止操作（表示任务完成）、0.25 条错误命令，以及最少的检索（grep、find、cat）、语法检查操作和通话通信命令。

在「测试生成」任务中，命令的平均数量与「代码生成」任务一致。不过，「测试生成」任务涉及的检索操作更多，错误操作的发生率也更高，因此每次运行的平均命令总数为 6.5 条。

在前两个问题中，为解决每个 HumanEval 问题而进行的 AutoDev 对话的平均长度分别为 1656 和 1863 个 token。这包括用户的目标、来自 AI 智能体的信息和来自评估环境的响应。相比之下，GPT-4（基线）的零样本在每个任务中平均使用 200 个 token（估计值）生成代码，使用 373 个 token 生成测试。虽然 AutoDev 使用了更多的 token，但大量 token 用于测试、验证和解释自己生成的代码，超出了基线方法的范围。最后，AutoDev 会产生与协调人工智能智能体、管理对话以及在 Docker 环境中执行命令相关的执行成本。

接下来，一起看一下 AutoDev 如何执行测试生成任务。开发者给到任务：设定生成遵循特定格式的 pytest 测试。AutoDev 智能体启动 write-new 命令，提供测试文件的文件路径和内容。随后，AutoDev 智能体触发测试操作，AutoDev 在其安全的 Docker 环境中运行测试，并给出测试执行报告 JSON。

然后，AutoDev 开始自主执行：AutoDev 智能体在 pytest 输出中发现了一个错误，认识到需要进行修复，以使测试与函数的预期行为保持一致。继续如图 5 所示，AutoDev 智能体发出写入命令，指定文件路径和行号范围 (5-5)，以重写错误的断言语句。随后，AutoDev 智能体继续执行测试，并测试成功。

从上面例子中看得出，AutoDev 能够自我评估生成的代码，并解决自身输出中的错误。此外，AutoDev 可以帮助用户深入了解智能体的操作，并允许智能体在任务期间进行交流。

总结与展望

随着 Devin、AutoDev 等 AI 工程师的诞生，程序员们的工作可能会一大部分实现自动化。AutoDev 展示了多智能体系统在软件工程领域的巨大潜力，通过自主规划、执行和验证，显著降低了开发门槛并提升了效率。

尽管目前 AutoDev 在 HumanEval 等基准测试中表现优异，但在实际生产环境中，面对更复杂的业务逻辑、遗留代码库以及非标准化的项目结构时，仍面临挑战。未来，随着大模型能力的进一步增强以及工具链的完善，AI 辅助编程将从代码片段生成转向全流程的自主工程实践。

对于开发者而言，掌握提示词工程、理解 AI 智能体的协作机制以及具备系统架构能力将成为新的核心竞争力。企业应关注此类技术的落地应用，探索人机协作的新模式，而非单纯担忧被替代。AutoDev 的出现标志着软件开发生命周期进入了一个新的智能化阶段，值得技术社区持续关注和研究。