尧图网页设计 
用 AgentScope 两阶段多智能体架构代码修复率做到 63.4%【免费下载链接】agentscopeBuild and run agents you can see, understand and trust.项目地址: https://gitcode.com/GitHub_Trending/ag/agentscopeAgentScope 2.0 是一个生产级多智能体开发框架解决的是单个智能体难以独立修复跨模块代码的问题它把修复拆成分工、执行、验证、投票的协作流程在 SWE-Bench 基准上验证了两阶段方案修复率 63.4%比单智能体基线高 21 个百分点。先看结果单智能体 vs AgentScope 多智能体指标优化前单智能体优化后两阶段多智能体变化SWE-Bench 修复率42.1%63.4%21.3 个百分点平均修复耗时8.7 分钟5.2 分钟缩短约 40%回归问题率15.3%6.8%降低约 56%除了解决率还有一个常被忽略的收益候选补丁的评估不再依赖 LLM 直接当裁判而是用一个微调奖励模型打分评估方差比 LLM 直接评判降低约 67%意味着同样一组候选补丁多次评估的结论更稳定。拆解核心方案修复率是怎么攒出来的1. 执行-验证闭环验证者看实际状态而不是口头汇报框架在 src/agentscope/pipeline/ 提供了 GoalPipeline这是整个分工协作的基本单元执行者Executor用工作区里的文件工具干活完成后输出结构化的成果报告——文件路径、入口、运行方式。验证者Verifier就是另一个普通 Agent用同一套工具读文件、跑命令给出三态裁决pass/fail/impossible。循环验证不通过时失败原因要求指明具体文件路径和行号原样回传给执行者重试默认最多 10 轮max_iters10。关键设计在于两个 Agent 共享同一个LocalWorkspace——验证者检查的是磁盘上真实写出的代码而不是执行者声称写了什么。这直接消除了多智能体协作最常见的口头确认失效模式。2. 两阶段修复加奖励模型投票SWE-Bench 上的具体做法在 SWE-Bench 场景中上述闭环被展开为两阶段第一阶段三个专业化智能体并行推进问题复现智能体先基于 PR 描述写出reproduction_test.py确保缺陷能稳定复现问题修复智能体结合代码差异分析与 Git 工具定位根因、生成补丁测试验证智能体跑相关单元测试确认修复没有引入回归。第二阶段奖励模型投票多个候选修复方案先做统一轨迹格式处理再交给基于 Qwen2.5-Coder-Instruct 微调的奖励模型从代码质量、功能完整性、性能影响等维度打分选最高分方案。这样分工的原因单智能体同时要负责复现、理解、改码、自测认知负担集中在一个上下文里容易丢线索拆开后每个 Agent 的系统提示和工具集都可以收窄错误也被隔离在各自阶段。3. 自主执行的底座事件流、权限与沙箱多智能体能放开手脚干活靠的是三层保障事件系统推理、工具调用、多模态内容统一走一条事件流推给前端支持中断后恢复——事件的reply_id会标明当时停在哪个智能体调用方不用自己记回合。权限系统src/agentscope/permission/下的 PermissionEngine 对工具和资源做细粒度管控支持逐次确认与 BYPASS 免确认模式。工作区沙箱local、Docker、E2B、Daytona、K8s、OpenSandbox 等 8 种后端工具与代码执行全部隔离智能体跑飞也不会波及宿主机。落地要点与关键配置搭一条执行-验证流水线核心代码只有几行pipe GoalPipeline(executorexecutor, verifierverifier) # verifier_reset_context 默认 True每轮重置验证者上下文 # max_iters 默认 10验证者判 impossible 时提前终止两处配置值得注意。其一服务化部署时examples/agent_service/main.py默认用的是InMemoryMessageBus()多进程或生产环境要换成RedisMessageBus否则各进程之间状态互不可见。其二PermissionMode.BYPASS适合可信的自动化任务省掉每次工具确认但涉及删除文件或对外发请求的任务不要开保持逐次确认。避坑与调优别让验证者自由发挥强制结构化输出三态裁决且失败消息必须定位到文件路径和行号否则执行者拿到写得不太好这种反馈无法定向修复。调max_iters时配合成本预算难任务可以调大但每轮都是完整的模型调用开销好在impossible裁决会提前终止避免无效烧钱。理解verifier_reset_contextTrue的取舍每轮重置上下文省 token但验证者看不到上一轮的历史如果验证依赖历史轨迹改成 False。多进程部署必须换 Redis 消息总线内存总线是进程级的只适合单机调试。长任务走后台卸载训练、抓取这类耗时工具通过offloaderworkspace转入后台结果回来后唤醒会话恢复对话避免事件流被长时间占住。快速上手uv pip install agentscope # 或从源码安装 git clone https://gitcode.com/GitHub_Trending/ag/agentscope cd agentscope uv pip install -e . export DASHSCOPE_API_KEYsk-... python examples/pipeline/goal/goal_pipeline.py想在服务形态里体验含 Web UI、权限确认、团队协作先起 Redis再运行python examples/agent_service/main.py然后在examples/web_ui下pnpm install pnpm dev把 UI 指向http://localhost:8000即可。仓库内置约 160 个测试文件覆盖事件、权限、沙箱等核心路径可对照验证行为。更多更新记录见 docs/NEWS.md流水线实现可深入 src/agentscope/pipeline/ 阅读。【免费下载链接】agentscopeBuild and run agents you can see, understand and trust.项目地址: https://gitcode.com/GitHub_Trending/ag/agentscope创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 用 AgentScope 两阶段多智能体架构，代码修复率做到 63.4%
用 AgentScope 两阶段多智能体架构代码修复率做到 63.4%【免费下载链接】agentscopeBuild and run agents you can see, understand and trust.项目地址: https://gitcode.com/GitHub_Trending/ag/agentscopeAgentScope 2.0 是一个生产级多智能体开发框架解决的是单个智能体难以独立修复跨模块代码的问题它把修复拆成分工、执行、验证、投票的协作流程在 SWE-Bench 基准上验证了两阶段方案修复率 63.4%比单智能体基线高 21 个百分点。先看结果单智能体 vs AgentScope 多智能体指标优化前单智能体优化后两阶段多智能体变化SWE-Bench 修复率42.1%63.4%21.3 个百分点平均修复耗时8.7 分钟5.2 分钟缩短约 40%回归问题率15.3%6.8%降低约 56%除了解决率还有一个常被忽略的收益候选补丁的评估不再依赖 LLM 直接当裁判而是用一个微调奖励模型打分评估方差比 LLM 直接评判降低约 67%意味着同样一组候选补丁多次评估的结论更稳定。拆解核心方案修复率是怎么攒出来的1. 执行-验证闭环验证者看实际状态而不是口头汇报框架在 src/agentscope/pipeline/ 提供了 GoalPipeline这是整个分工协作的基本单元执行者Executor用工作区里的文件工具干活完成后输出结构化的成果报告——文件路径、入口、运行方式。验证者Verifier就是另一个普通 Agent用同一套工具读文件、跑命令给出三态裁决pass/fail/impossible。循环验证不通过时失败原因要求指明具体文件路径和行号原样回传给执行者重试默认最多 10 轮max_iters10。关键设计在于两个 Agent 共享同一个LocalWorkspace——验证者检查的是磁盘上真实写出的代码而不是执行者声称写了什么。这直接消除了多智能体协作最常见的口头确认失效模式。2. 两阶段修复加奖励模型投票SWE-Bench 上的具体做法在 SWE-Bench 场景中上述闭环被展开为两阶段第一阶段三个专业化智能体并行推进问题复现智能体先基于 PR 描述写出reproduction_test.py确保缺陷能稳定复现问题修复智能体结合代码差异分析与 Git 工具定位根因、生成补丁测试验证智能体跑相关单元测试确认修复没有引入回归。第二阶段奖励模型投票多个候选修复方案先做统一轨迹格式处理再交给基于 Qwen2.5-Coder-Instruct 微调的奖励模型从代码质量、功能完整性、性能影响等维度打分选最高分方案。这样分工的原因单智能体同时要负责复现、理解、改码、自测认知负担集中在一个上下文里容易丢线索拆开后每个 Agent 的系统提示和工具集都可以收窄错误也被隔离在各自阶段。3. 自主执行的底座事件流、权限与沙箱多智能体能放开手脚干活靠的是三层保障事件系统推理、工具调用、多模态内容统一走一条事件流推给前端支持中断后恢复——事件的reply_id会标明当时停在哪个智能体调用方不用自己记回合。权限系统src/agentscope/permission/下的 PermissionEngine 对工具和资源做细粒度管控支持逐次确认与 BYPASS 免确认模式。工作区沙箱local、Docker、E2B、Daytona、K8s、OpenSandbox 等 8 种后端工具与代码执行全部隔离智能体跑飞也不会波及宿主机。落地要点与关键配置搭一条执行-验证流水线核心代码只有几行pipe GoalPipeline(executorexecutor, verifierverifier) # verifier_reset_context 默认 True每轮重置验证者上下文 # max_iters 默认 10验证者判 impossible 时提前终止两处配置值得注意。其一服务化部署时examples/agent_service/main.py默认用的是InMemoryMessageBus()多进程或生产环境要换成RedisMessageBus否则各进程之间状态互不可见。其二PermissionMode.BYPASS适合可信的自动化任务省掉每次工具确认但涉及删除文件或对外发请求的任务不要开保持逐次确认。避坑与调优别让验证者自由发挥强制结构化输出三态裁决且失败消息必须定位到文件路径和行号否则执行者拿到写得不太好这种反馈无法定向修复。调max_iters时配合成本预算难任务可以调大但每轮都是完整的模型调用开销好在impossible裁决会提前终止避免无效烧钱。理解verifier_reset_contextTrue的取舍每轮重置上下文省 token但验证者看不到上一轮的历史如果验证依赖历史轨迹改成 False。多进程部署必须换 Redis 消息总线内存总线是进程级的只适合单机调试。长任务走后台卸载训练、抓取这类耗时工具通过offloaderworkspace转入后台结果回来后唤醒会话恢复对话避免事件流被长时间占住。快速上手uv pip install agentscope # 或从源码安装 git clone https://gitcode.com/GitHub_Trending/ag/agentscope cd agentscope uv pip install -e . export DASHSCOPE_API_KEYsk-... python examples/pipeline/goal/goal_pipeline.py想在服务形态里体验含 Web UI、权限确认、团队协作先起 Redis再运行python examples/agent_service/main.py然后在examples/web_ui下pnpm install pnpm dev把 UI 指向http://localhost:8000即可。仓库内置约 160 个测试文件覆盖事件、权限、沙箱等核心路径可对照验证行为。更多更新记录见 docs/NEWS.md流水线实现可深入 src/agentscope/pipeline/ 阅读。【免费下载链接】agentscopeBuild and run agents you can see, understand and trust.项目地址: https://gitcode.com/GitHub_Trending/ag/agentscope创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考