本文由「大千AI助手」原創發布，專注用真話講AI，回歸技術本質。拒絕神話或妖魔化。搜索「大千AI助手」關注我，一起撕掉過度包裝，學習真實的AI技術！
01. 什么是Agentless？
Agentless是由伊利諾伊大學香檳分校（UIUC）張令明教授團隊提出的一種無代理自動化軟件開發方法。與研究焦點聚焦于Agent系統設計不同，UIUC團隊選擇反其道而行之。
與傳統的基于代理的方法的冗長和復雜的設置相比，Agentless采用了簡單的定位后修復兩階段過程，而不讓LLM決定未來的動作或使用復雜的工具。
其核心理念是摒棄復雜的AI代理系統，通過簡單的兩階段方法來定位和修復代碼庫中的bug。這種方法驚人地發現，簡單并不等于低效，反而在性能和成本上都表現出色。
本文由「大千AI助手」原創發布，專注用真話講AI，回歸技術本質。拒絕神話或妖魔化。搜索「大千AI助手」關注我，一起撕掉過度包裝，學習真實的AI技術！
往期文章推薦:
- 20.生物學自然主義：心靈哲學中的生物性探索
- 19.COLA：大型語言模型高效微調的革命性框架
- 18.生成對抗網絡（GAN）：深度學習領域的革命性突破
- 17.GRPO（組相對策略優化）：大模型強化學習的高效進化
- 16.接吻數問題：從球體堆疊到高維空間的數學奧秘
- 15.LDA（隱狄利克雷分配）：主題模型的經典之作
- 14.InstructGPT：使用人類反饋訓練語言模型以遵循指令
- 13.DQN（深度Q網絡）：深度強化學習的里程碑式突破
- 12.遺傳算法：模擬自然選擇的優化智慧
- 11.帕累托優化：多目標決策的智慧與藝術
- 10.dapo：開源大規模llm強化學習系統的突破與實現
- 9.馮·諾依曼：數字時代的天才建筑師
- 8.eniac：世界上第一臺通用電子計算機的傳奇
- 7.馮·諾依曼架構：現代計算機的基石與瓶頸
- 6.密碼破譯機bombe：二戰中破解enigma的傳奇設備
- 5.波蘭密碼破譯機bomba：二戰密碼戰的隱形功臣
- 4.注意力機制：捕獲長距離依賴關系的革命性技術
- 3.康威生命游戲：零玩家游戲的元胞自動機奇跡
- 2.OpenHands：開源AI軟件開發代理平臺的革命性突破
- 1.NoCode-bench：自然語言驅動功能添加的評估新基準
02. 為什么需要Agentless？
當前AI代理系統存在幾個顯著問題。它們通常有復雜的工具使用和設計，需要精心設計API調用規范。決策規劃的控制不足，代理容易困惑并執行次優探索。而且，它們缺乏自我反思能力，無法過濾不相關或錯誤信息。
更值得關注的是，圖靈獎得主Yoshua Bengio等專家指出，智能體AI系統可能存在災難性風險，包括目標偏差、目標泛化和獎勵篡改等問題，可能威脅人類生存。
Bengio建議開發非智能體（non-agentic）AI系統作為更安全的替代方案。Agentless正是在這樣的背景下應運而生，提供了一種更簡單、更安全、更可控的自動化軟件開發途徑。
03. Agentless的技術架構
Agentless的工作流程分為兩個核心階段：定位階段和修復階段。
定位階段（Localization Phase）
采用分層查詢方式，逐步縮小到可疑的文件、類和函數，以及具體的編輯位置:
- 項目結構轉換：將整個項目代碼庫轉換成樹狀結構，展示每個文件在項目中的相對位置。
- 文件級定位：利用LLM根據問題描述和結構圖，確定最可疑的前N個文件。
- 類與函數級定位：對于選定的文件，提供文件的聲明頭（類和函數的列表），輸出需要重點檢查的類和函數列表。
- 代碼行級定位：將選出的類和函數的完整代碼內容呈現給LLM，進一步縮小需要修改的具體代碼行。
修復階段（Repair Phase）
使用簡單的diff格式生成多個候選補丁并對其進行過濾和排序:
- 生成候選補丁：將確定的代碼位置和問題描述輸入LLM，生成多個候選補丁。
- 語法與測試過濾：對生成的補丁進行初步過濾，移除存在語法錯誤或不能通過先前測試的補丁。
- 補丁重排與選擇：剩余的補丁根據多數投票機制重新排序，選擇排名第一的補丁作為最終修復方案。
整個過程就像一位經驗豐富的醫生先進行全身體檢，然后根據癥狀快速找到病灶，最后進行精準的微創手術，只修改必要部分，大大降低了出錯風險。
04. Agentless的性能表現
在流行的SWE-bench Lite基準測試中，Agentless取得了令人矚目的成績。
使用Claude 3.5 Sonnet作為底層模型時，Agentless在SWE-bench lite和verified測試集上分別達到了40.7%和50.8%的解決率，超越了所有現有的開源Agent方案。
更令人印象深刻的是，Agentless實現了驚人的成本控制，每解決一個問題僅需0.7美元，遠低于傳統Agent方案動輒幾美元甚至十幾美元的成本。
在一些測試中，成本甚至低至0.34美元，比其他基于Agent的方案低了將近90%。這種成本效益使得Agentless對于資源有限的開發者和組織尤為吸引人。
05. 與傳統Agent方案的對比
與傳統Agent方案相比，Agentless的優勢主要體現在以下幾個方面：
架構復雜性：傳統Agent需要復雜的環境建模和工具使用協議，而Agentless采用簡單的兩階段流程，無需復雜工具。
決策機制：傳統Agent將決策權交給LLM，容易出現錯誤累積，而Agentless限制了LLM的決策權，由系統控制流程。
可解釋性：傳統Agent的多步決策過程難以調試，而Agentless的簡單設計使其更容易理解和調試。
成本效益：傳統Agent需要多次API調用，成本高昂，而Agentless通過減少不必要的調用顯著降低成本。
UIUC團隊的研究表明，復雜的方案不一定是最好的選擇。傳統的Agent方法雖然看起來很酷炫，但實際上增加了很多不必要的復雜性，反而限制了其實際效果。
06. 應用場景與前景
Agentless的應用場景廣泛，尤其在面對復雜和龐大的代碼庫時表現出色。它可以幫助開發者快速定位和修復bug，提高軟件開發效率。
此外，Agentless還可以作為其他AI系統的安全護欄，評估其行為的風險，并阻止可能導致危害的行動。它能夠通過計算某個行動可能導致的危害概率，并在概率超過閾值時阻止該行動。
在科學研究領域，Agentless的概念可以加速科學發現，幫助設計實驗和預測結果。它的非智能體設計確保人類始終掌控最終決策權，為高風險領域提供了更安全的AI應用方式。
SWE-bench Lite基準測試中，Agentless不僅以27.33%的解決率超越所有開源代理，更以單問題0.34美元的成本重塑了行業性價比標桿。
就連AWS研究科學家Leo Boytsov也贊嘆：“Agentless框架表現優異，超過所有開源Agent解決方案，幾乎達到SWE-bench Lite最高水平，而且以顯著更低的成本擊敗了其他方案，展現了卓越的實用性。”
UIUC團隊推出的Agentless已經登上開源AI軟件工程師榜首，在GitHub上獲得了超過300個Star，并登上DAIR.AI每周最熱ML論文榜單前三。這場無聲的革命正在重新定義我們對于AI軟件開發自動化的認知。
本文由「大千AI助手」原創發布，專注用真話講AI，回歸技術本質。拒絕神話或妖魔化。搜索「大千AI助手」關注我，一起撕掉過度包裝，學習真實的AI技術！
)
