本文由「大千AI助手」原创发布，专注用真话讲AI，回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我，一起撕掉过度包装，学习真实的AI技术！
01. 什么是Agentless？
Agentless是由伊利诺伊大学香槟分校（UIUC）张令明教授团队提出的一种无代理自动化软件开发方法。与研究焦点聚焦于Agent系统设计不同，UIUC团队选择反其道而行之。
与传统的基于代理的方法的冗长和复杂的设置相比，Agentless采用了简单的定位后修复两阶段过程，而不让LLM决定未来的动作或使用复杂的工具。
其核心理念是摒弃复杂的AI代理系统，通过简单的两阶段方法来定位和修复代码库中的bug。这种方法惊人地发现，简单并不等于低效，反而在性能和成本上都表现出色。
本文由「大千AI助手」原创发布，专注用真话讲AI，回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我，一起撕掉过度包装，学习真实的AI技术！
往期文章推荐:
- 20.生物学自然主义：心灵哲学中的生物性探索
- 19.COLA：大型语言模型高效微调的革命性框架
- 18.生成对抗网络（GAN）：深度学习领域的革命性突破
- 17.GRPO（组相对策略优化）：大模型强化学习的高效进化
- 16.接吻数问题：从球体堆叠到高维空间的数学奥秘
- 15.LDA（隐狄利克雷分配）：主题模型的经典之作
- 14.InstructGPT：使用人类反馈训练语言模型以遵循指令
- 13.DQN（深度Q网络）：深度强化学习的里程碑式突破
- 12.遗传算法：模拟自然选择的优化智慧
- 11.帕累托优化：多目标决策的智慧与艺术
- 10.dapo：开源大规模llm强化学习系统的突破与实现
- 9.冯·诺依曼：数字时代的天才建筑师
- 8.eniac：世界上第一台通用电子计算机的传奇
- 7.冯·诺依曼架构：现代计算机的基石与瓶颈
- 6.密码破译机bombe：二战中破解enigma的传奇设备
- 5.波兰密码破译机bomba：二战密码战的隐形功臣
- 4.注意力机制：捕获长距离依赖关系的革命性技术
- 3.康威生命游戏：零玩家游戏的元胞自动机奇迹
- 2.OpenHands：开源AI软件开发代理平台的革命性突破
- 1.NoCode-bench：自然语言驱动功能添加的评估新基准
02. 为什么需要Agentless？
当前AI代理系统存在几个显著问题。它们通常有复杂的工具使用和设计，需要精心设计API调用规范。决策规划的控制不足，代理容易困惑并执行次优探索。而且，它们缺乏自我反思能力，无法过滤不相关或错误信息。
更值得关注的是，图灵奖得主Yoshua Bengio等专家指出，智能体AI系统可能存在灾难性风险，包括目标偏差、目标泛化和奖励篡改等问题，可能威胁人类生存。
Bengio建议开发非智能体（non-agentic）AI系统作为更安全的替代方案。Agentless正是在这样的背景下应运而生，提供了一种更简单、更安全、更可控的自动化软件开发途径。
03. Agentless的技术架构
Agentless的工作流程分为两个核心阶段：定位阶段 和修复阶段。
定位阶段（Localization Phase）
采用分层查询方式，逐步缩小到可疑的文件、类和函数，以及具体的编辑位置:
- 项目结构转换：将整个项目代码库转换成树状结构，展示每个文件在项目中的相对位置。
- 文件级定位：利用LLM根据问题描述和结构图，确定最可疑的前N个文件。
- 类与函数级定位：对于选定的文件，提供文件的声明头（类和函数的列表），输出需要重点检查的类和函数列表。
- 代码行级定位：将选出的类和函数的完整代码内容呈现给LLM，进一步缩小需要修改的具体代码行。
修复阶段（Repair Phase）
使用简单的diff格式生成多个候选补丁并对其进行过滤和排序:
- 生成候选补丁：将确定的代码位置和问题描述输入LLM，生成多个候选补丁。
- 语法与测试过滤：对生成的补丁进行初步过滤，移除存在语法错误或不能通过先前测试的补丁。
- 补丁重排与选择：剩余的补丁根据多数投票机制重新排序，选择排名第一的补丁作为最终修复方案。
整个过程就像一位经验丰富的医生先进行全身体检，然后根据症状快速找到病灶，最后进行精准的微创手术，只修改必要部分，大大降低了出错风险。
04. Agentless的性能表现
在流行的SWE-bench Lite基准测试中，Agentless取得了令人瞩目的成绩。
使用Claude 3.5 Sonnet作为底层模型时，Agentless在SWE-bench lite和verified测试集上分别达到了40.7%和50.8%的解决率，超越了所有现有的开源Agent方案。
更令人印象深刻的是，Agentless实现了惊人的成本控制，每解决一个问题仅需0.7美元，远低于传统Agent方案动辄几美元甚至十几美元的成本。
在一些测试中，成本甚至低至0.34美元，比其他基于Agent的方案低了将近90%。这种成本效益使得Agentless对于资源有限的开发者和组织尤为吸引人。
05. 与传统Agent方案的对比
与传统Agent方案相比，Agentless的优势主要体现在以下几个方面：
架构复杂性：传统Agent需要复杂的环境建模和工具使用协议，而Agentless采用简单的两阶段流程，无需复杂工具。
决策机制：传统Agent将决策权交给LLM，容易出现错误累积，而Agentless限制了LLM的决策权，由系统控制流程。
可解释性：传统Agent的多步决策过程难以调试，而Agentless的简单设计使其更容易理解和调试。
成本效益：传统Agent需要多次API调用，成本高昂，而Agentless通过减少不必要的调用显著降低成本。
UIUC团队的研究表明，复杂的方案不一定是最好的选择。传统的Agent方法虽然看起来很酷炫，但实际上增加了很多不必要的复杂性，反而限制了其实际效果。
06. 应用场景与前景
Agentless的应用场景广泛，尤其在面对复杂和庞大的代码库时表现出色。它可以帮助开发者快速定位和修复bug，提高软件开发效率。
此外，Agentless还可以作为其他AI系统的安全护栏，评估其行为的风险，并阻止可能导致危害的行动。它能够通过计算某个行动可能导致的危害概率，并在概率超过阈值时阻止该行动。
在科学研究领域，Agentless的概念可以加速科学发现，帮助设计实验和预测结果。它的非智能体设计确保人类始终掌控最终决策权，为高风险领域提供了更安全的AI应用方式。
SWE-bench Lite基准测试中，Agentless不仅以27.33%的解决率 超越所有开源代理，更以单问题0.34美元的成本重塑了行业性价比标杆。
就连AWS研究科学家Leo Boytsov也赞叹："Agentless框架表现优异，超过所有开源Agent解决方案，几乎达到SWE-bench Lite最高水平，而且以显著更低的成本击败了其他方案，展现了卓越的实用性。"
UIUC团队推出的Agentless已经登上开源AI软件工程师榜首，在GitHub上获得了超过300个Star，并登上DAIR.AI每周最热ML论文榜单前三。这场无声的革命正在重新定义我们对于AI软件开发自动化的认知。
本文由「大千AI助手」原创发布，专注用真话讲AI，回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我，一起撕掉过度包装，学习真实的AI技术！