全球首個AI程序員Devin的橫空出世，可能成為軟件和AI發展史上一個重要的節點。

它掌握了全棧的技能，不僅可以寫代碼debug，訓模型，還可以去美國最大求職網站Upwork上搶單。

一時間，網友們驚呼，「程序員不存在了」？

甚至連剛開始攻讀計算機學位的人也恐慌，「10倍AI工程師」對未來的工作影響。

除了Cognition AI這種明星初創公司，美國的各個大廠也早就在想辦法用AI智能體降本增效了。

就在3月14日同一天，微軟團隊也發布了一個「微軟AI程序員」——AutoDev。

論文地址：https://arxiv.org/pdf/2403.08299.pdf

與Devin這種極致追求效率和產出結果的方向有所不同。

AutoDev專為自主規劃、執行復雜的軟件工程任務而設計，還能維護Docker環境中的隱私和安全。

在此之前，微軟已有主打產品GitHub Copilot，幫助開發人員完成軟件開發。

然而，包括GitHub Copilot在內的一些AI工具，并沒有充分利用IDE中所有的潛在功能，比如構建、測試、執行代碼、git操作等。

基于聊天界面的要求，它們主要側重于建議代碼片段，以及文件操作。

AutoDev的誕生，就是為了填補這一空白。

用戶可以定義復雜的軟件工程目標，AutoDev會將這些目標分配給自主AI智能體來實現。

然后，這些AI智能體可以對代碼庫執行各種操作，包括文件編輯、檢索、構建過程、執行、測試和git操作。

甚至，它們還能訪問文件、編譯器輸出、構建和測試日志、靜態分析工具等。

在HumanEval測試中，AutoDev分別在代碼生成和測試生成方面，分別取得了91.5%和87.8% Pass@1的優秀結果。

網友表示，AI編碼發展太快了，2021年GitHub Copilot能解決28.8%的HumanEval問題，到了2024年，AutoDev直接解決了91.5%的問題。

不用人類插手，AutoDev自主完成任務

AutoDev工作流程如下圖所示，用戶定義一個目標，比如「測試特定方法」。

AI智能體將測試寫入一個新文件，并啟動測試執行命令，以上都在安全的評估環境中進行。

然后，測試執行的輸出（包括失敗日志）將合并到對話中。

AI智能體分析這些輸出，觸發檢索命令，通過編輯文件合并檢索到的信息，然后重新啟動測試執行。

最后，Eval環境提供有關測試執行是否成功，以及用戶目標完成情況的反饋。

整個過程由AutoDev自主協調，除了設定初始目標之外，無需要開發人員干預。

相比之下，如果現有的AI編碼助手集成到IDE 中，開發人員必須手動執行測試（比如運行pytest）、向AI聊天界面提供失敗日志、可能需要識別要合并的其他上下文信息，并重復驗證操作確保AI生成修改后的代碼后測試成功。

值得一提的是，AutoDev從以前許多在AI智能體領域的研究中汲取了靈感，比如AutoGen——編排語言模型工作流并推進多個智能體之間的對話。

AutoDev的能力超越了對話管理，使智能體能夠直接與代碼存儲庫交互，自動執行命令和操作，從而擴展了 AutoGen。

同樣，AutoDev的研究也借鑒了Auto-GPT。這是一種用于自主任務執行的開源AI智能體，通過提供代碼和IDE特定功能來支持執行復雜的軟件工程任務。

AutoDev構架

上圖是AutoDev架構的簡單示意圖。

AutoDev主要由4個功能模塊組成：

-用于跟蹤和管理用戶與代理對話的對話管理器（Conversation Manager）；

-為代理提供各種代碼和集成開發環境相關工具的工具庫（Tools library）；

-用于調度各種代理的代理調度器（Agents Scheduler）；

-以及用于執行操作的評估環境（Evaluation Environment）。

下面就給大家詳細介紹每種功能模塊。

規則、行動和目標配置

用戶通過yaml文件配置規則和操作來啟動流程。

這些文件定義了AI代理可以執行的可用命令（操作）。

用戶可以通過啟用/禁用特定命令來利用默認設置或細粒度權限，從而根據自己的特定需求量身定制AutoDev。

配置步驟目的是實現對AI代理能力的精確控制。

在這一階段，用戶可以定義人工智能代理的數量和行為，分配特定的責任、權限和可用操作。

例如，用戶可以定義一個 「開發者 」代理和一個 「審核者 」代理，讓它們協同工作以實現目標。

根據規則和操作配置，用戶可以指定AutoDev要完成的軟件工程任務或流程。

例如，用戶可以要求生成測試用例，并確保其語法正確、不包含錯誤（這涉及編輯文件、運行測試套件、執行語法檢查和錯誤查找工具）。

對話管理器（conversation manager）

會話管理器負責初始化會話歷史，在對正在進行的會話進行高級管理方面發揮著關鍵作用。它負責決定何時中斷對話進程，并確保用戶、人工智能代理和整個系統之間的無縫交流。

它維護和管理的對話對象，主要包括來自代理的信息和來自評估環境（eval environment）的操作結果。

解析器

解析器解釋代理生成的響應，以預定格式提取指令和參數。它能確保指令格式正確，驗證參數的數量和準確性（例如，文件編輯指令需要文件路徑參數）。

如果解析失敗，就會在對話中注入錯誤信息，阻止對資源庫的進一步操作。

通過強制執行特定的代理權限和進行額外的語義檢查，成功解析的命令會被進一步分析。

它能確保建議的操作符合用戶指定的細粒度權限。

如果命令通過審查，對話管理器就會調用工具庫中的相應操作。

輸出組織器

輸出組織器模塊主要負責處理從評估環境接收到的輸出。

它選擇關鍵信息（如狀態或錯誤），有選擇地總結相關內容，并將結構良好的信息添加到對話歷史記錄中。

這可確保用戶對AutoDev的操作和結果有一個清晰、有條理的記錄。

對話終止器

會話管理器決定何時結束會話。這可能發生在代理發出任務完成信號（停止命令）、對話達到用戶定義的最大迭代次數/token、或在進程或評估環境中檢測到問題時。

AutoDev的全面設計確保了人工智能驅動開發的系統性和可控性。

代理調度程序（Multi-Agents）

代理調度器負責協調人工智能代理，以實現用戶定義的目標。

配置了特定角色和可用命令集的代理協同運行，執行各種任務。調度器采用各種協作算法，如循環、基于令牌或基于優先級的算法，來決定代理參與對話的順序和方式。

具體來說，調度算法包括但不限于以下幾種：

(i)循環協作，按順序調用每個代理，讓每個代理執行預定數量的操作；

(ii)基于令牌的協作，讓一個代理執行多個操作，直到它發出一個令牌，表示完成了分配的任務；

(iii)基于優先級的協作，按照代理的優先級順序啟動代理。代理調度器通過當前對話調用特定代理。

代理

由OpenAI GPT-4等大型語言模型（LLM）和為代碼生成而優化的小型語言模型（SLM）組成的代理通過文本自然語言進行交流。

這些代理從代理調度程序（Agent Scheduler）接收目標和對話歷史，并根據規則和行動配置指定的行動做出響應。每個代理都有其獨特的配置，有助于實現用戶目標的整體進展。

工具庫（Tools Library）

AutoDev中的工具庫提供了一系列命令，使代理能夠對資源庫執行各種操作。

這些命令旨在將復雜的操作、工具和實用程序封裝在簡單直觀的命令結構中。

例如，通過build和test <test_file>這樣的簡單命令，就能抽象出與構建和測試執行有關的復雜問題。

-文件編輯：該類別包含用于編輯文件（包括代碼、配置和文檔）的命令。

-該類別中的實用程序，如寫入、編輯、插入和刪除，提供了不同程度的精細度。

-代理可以執行從寫入整個文件到修改文件中特定行的各種操作。例如，命令 write <filepath> <start_line>-<end_line> <content> 允許代理用新內容重寫一系列行。

檢索：在這一類別中，檢索工具包括grep、find和ls等基本CLI工具，以及更復雜的基于嵌入的技術。

這些技術能讓代理查找類似的代碼片段，從而提高他們從代碼庫中檢索相關信息的能力。

例如，retrieve <content> 命令允許代理執行與所提供內容類似的基于嵌入的片段檢索。

-構建與執行：這類命令允許代理使用簡單直觀的命令毫不費力地編譯、構建和執行代碼庫。底層構建命令的復雜性已被抽象化，從而簡化了評估環境基礎架構中的流程。這類命令的示例包括：構建、運行 <文件>。

-測試與驗證：這些命令使代理能夠通過執行單個測試用例、特定測試文件或整個測試套件來測試代碼庫。代理可以執行這些操作，而無需依賴特定測試框架的底層命令。

這類工具還包括校驗工具，如篩選器和錯誤查找工具。這類命令的例子包括：檢查語法正確性的 syntax <file> 和運行整個測試套件的 test。

-Git：用戶可以為Git操作配置細粒度權限。包括提交、推送和合并等操作。例如，可以授予代理只執行本地提交的權限，或者在必要時將更改推送到源代碼庫。

-通信：代理可以調用一系列旨在促進與其他代理和/或用戶交流的命令。值得注意的是，talk命令可以發送自然語言信息（不解釋為版本庫操作命令），ask命令用于請求用戶反饋，而stop命令可以中斷進程，表示目標已實現或代理無法繼續。

因此，AutoDev中的工具庫為人工智能代理提供了一套多功能且易于使用的工具，使其能夠與代碼庫進行交互，并在協作開發環境中進行有效交流。

評估環境（Eval Environment）

評估環境在Docker容器中運行，可以安全地執行文件編輯、檢索、構建、執行和測試命令。

它抽象了底層命令的復雜性，為代理提供了一個簡化的界面。評估環境會將標準輸出/錯誤返回給輸出組織器模塊。

整合

用戶通過指定目標和相關設置啟動對話。

對話管理器初始化一個對話對象，整合來自人工智能代理和評估環境的信息。隨后，對話管理器將對話分派給負責協調人工智能代理行動的代理調度器。

作為人工智能代理，語言模型（大型或小型 LM）通過文本互動提出指令建議。

命令界面包含多種功能，包括文件編輯、檢索、構建和執行、測試以及 Git 操作。對話管理器會對這些建議的命令進行解析，然后將其引導至評估環境，以便在代碼庫中執行。

這些命令在評估環境的安全范圍內執行，并封裝在 Docker 容器中。

執行后，產生的操作將無縫集成到對話歷史中，為后續迭代做出貢獻。

這種迭代過程一直持續到代理認為任務完成、用戶干預發生或達到最大迭代限制為止。

AutoDev 的設計確保了系統、安全地協調人工智能代理，以自主和用戶控制的方式完成復雜的軟件工程任務。

實證評估設計

在研究人員的實證評估中，評估了AutoDev在軟件工程任務中的能力和有效性，研究它是否能夠提升人工智能模型的性能，而不僅僅是簡單的推理。

此外，研究人員還評估了AutoDev在步驟數、推理調用和token方面的成本。

主要是確定了三個實驗研究問題：

-?? ?? 1 : AutoDev 在代碼生成任務中的效果如何？

-?? ?? 2 : AutoDev 在測試生成任務中的效果如何？

-?? ?? 3 : AutoDev 完成任務的效率如何？

?? 1 : AutoDev在代碼生成任務中的效率如何？

研究人員使用Pass@k指標來衡量AutoDev的有效性，其中??表示嘗試的次數。

成功解決的問題是指AutoDev生成的方法主體代碼滿足所有人工編寫的測試。一次嘗試相當于一次完整的AutoDev對話，其中涉及多個推理調用和步驟。

這與其他方法（如直接調用 GPT-4）形成鮮明對比，后者通常只涉及一次推理調用。有關多次推理調用和步驟的細節將在?? ?? 3 中進一步探討。在本次評估中，研究人員設置?? = 1，從而計算Pass@1，只考慮第一次嘗試的成功率。

?? 2：AutoDev在測試生成任務中的效果如何？

對于這個研究問題，研究人員修改了HumanEval數據集，來評估AutoDev在生成測試方面的能力。

研究人員考慮人工編寫的解決方案，并放棄所提供的人工編寫的測試。

他們指示AutoDev為重點方法生成測試用例，并根據測試成功率、重點方法的調用和測試覆蓋率對其進行評估。

研究人員報告Pass@1，如果測試通過并調用了焦點方法，則認為測試成功。

此外，研究人員還將AutoDev測試的覆蓋率與人工編寫的測試覆蓋率進行了比較。

?? ?? 3：AutoDev 完成任務的效率如何？

在本研究問題中，研究人員將調查AutoDev完成SE任務的效率。

研究人員分析了所需步驟或推理調用的數量、所使用命令的分布（如寫入、測試）以及對話中使用的token總數。

AutoDev設置

在本次評估中，AutoDev基于GPT-4模型（gpt-4-1106-preview）與一個代理保持一致的設置。

啟用的操作包括文件編輯、檢索和測試。

唯一可用的通信命令是表示任務完成的stop命令。

其他命令，如詢問，都是禁用的，這就要求 AutoDev 在初始目標設定之外，在沒有人類反饋或干預的情況下自主運行。

實驗結果

- AutoDev在代碼生成任務中的效率如何？

表1顯示了，將AutoDev與兩種替代方法和零樣本基線進行了比較。

研究人員將AutoDev與語言代理樹搜索（LATS）和Reflexion 進行了比較，這兩種方法是截至2024年3月HumanEval 排行榜上的兩種領先方法。

零樣本基線（GPT-4）的結果取自OpenAI GPT-4技術報告。

AutoDev Pass@1率為91.5%，在HumanEval排行榜上穩居第二。

值得注意的是，這個結果是在沒有額外訓練數據的情況下獲得的，這將AutoDev與LATS區分開來，后者達到了94.4%。

此外，AutoDev框架將GPT-4性能從67%提升至91.5%，相對提升了30%。

這些結果體現出，AutoDev有能力顯著提升大模型完成軟件工程任務方面的表現。

- AutoDev在測試生成任務中的效果如何？

AutoDev在針對測試生成任務修改的HumanEval數據集上，獲得了87.8% Pass@1分數，與使用相同GPT-4模型的基線相比，相對提高了17%。

AutoDev生成的正確測試（包含在Pass@1中）實現了99.3%的魯棒覆蓋率，與人工編寫的測試的99.4%覆蓋率相當。

- AutoDev完成任務的效率如何？

圖3顯示了，AutoDev在代碼生成和測試生成任務中使用的命令累積數，其中考慮到問題1和問題2中每個HumanEval問題的平均評估命令數量。

對于代碼生成，AutoDev平均執行5.5條命令，其中包括1.8條寫入操作、1.7條測試操作、0.92條停止操作（表示任務完成）、0.25條錯誤命令，以及最少的檢索（grep、find、cat）、語法檢查操作和通話通信命令。

在「測試生成」任務中，命令的平均數量與「代碼生成」任務一致。

不過，「測試生成」任務涉及的檢索操作更多，錯誤操作的發生率也更高，因此每次運行的平均命令總數為6.5條。

在前兩個問題中，為解決每個HumanEval問題而進行的AutoDev對話的平均長度分別為1656和1863個token。

這包括用戶的目標、來自AI智能體的信息和來自評估環境的響應。

相比之下，GPT-4（基線）的零樣本在每個任務中平均使用200個token（估計值）生成代碼，使用373個token生成測試。

雖然AutoDev使用了更多的token，但大量token用于測試、驗證和解釋自己生成的代碼，超出了基線方法的范圍。

最后，AutoDev會產生與協調人工智能智能體、管理對話以及在Docker環境中執行命令相關的執行成本。

接下來，一起看一下AutoDev如何執行測試生成任務。

開發者給到任務：設定生成遵循特定格式的pytest測試。

AutoDev智能體啟動write-new命令，提供測試文件的文件路徑和內容。

隨后，AutoDev智能體觸發測試操作，AutoDev在其安全的Docker環境中運行測試，并給出測試執行報告JSON。

然后，AutoDev開始自主執行：

AutoDev智能體在pytest輸出中發現了一個錯誤，認識到需要進行修復，以使測試與函數的預期行為保持一致。

繼續如圖5所示，AutoDev智能體發出寫入命令，指定文件路徑和行號范圍 (5-5)，以重寫錯誤的斷言語句。

隨后，AutoDev智能體繼續執行測試，并測試成功。

從上面例子中看得出，AutoDev能夠自我評估生成的代碼，并解決自身輸出中的錯誤。

此外，AutoDev可以幫助用戶深入了解智能體的操作，并允許智能體在任務期間進行交流。

隨著Devin、AutoDev等AI工程師的誕生，程序員們的工作可能會一大部分實現自動化。