如何让 SWE-agent 自动修复 GitHub Issue：从安装到第一次 AI 修 bug 的完整路径-迪斯科星球

如何让 SWE-agent 自动修复 GitHub Issue：从安装到第一次 AI 修 bug 的完整路径

【免费下载链接】SWE-agentSWE-agent takes a GitHub issue and tries to automatically fix it, using your LM of choice. It can also be employed for offensive cybersecurity or competitive coding challenges. [NeurIPS 2024]项目地址: https://gitcode.com/GitHub_Trending/sw/SWE-agent

你有没有过这种经历：issue 列表里躺着一个低优先级的 bug，你每次看到它都想"回头再修"，然后永远修不了。SWE-agent 就是为这种场景准备的——你丢给它一个 GitHub issue 的链接，它自动拉取代码、复现问题、修改源码，最后产出一个补丁，全程用你选定的大语言模型（OpenAI、Claude 都行）驱动。

能力速览：它到底能替你干什么

先说清楚它能干什么，免得期待错位。

能做的：

读 issue 描述，自己定位相关代码文件；
在沙箱里（默认是 Docker 容器）写复现脚本、跑命令；
改代码、验证修复，最后提交一个 patch；
一次跑一单，也可以用批量模式同时跑上百个 issue，适合做 benchmark；
官方还提到它同样可以用于网络安全攻防演练和编程竞赛挑战。

不做的：

它不直接替你提 PR、不替你 review 代码质量——产出的补丁你自己把关；
它不保证修对。复杂逻辑 bug 它可能修两三轮才收敛，也可能修到一半超步数退出。

简单说：它是个"干活的"，不是"拍板的"。

从零到跑通：安装 + 第一次运行

整个过程顺利的话，几分钟就能跑起来。前提：Python 3.8+、Git，以及一个可用的 LM API 密钥（Anthropic 或 OpenAI 均可）。

第一步，克隆仓库并安装：

git clone https://gitcode.com/GitHub_Trending/sw/SWE-agent cd SWE-agent pip install -e .

第二步，把模型密钥放进环境变量（也可以写成仓库根目录的.env文件）：

export ANTHROPIC_API_KEY=<你的密钥> # 或 export OPENAI_API_KEY=<你的密钥>

第三步，跑官方教程里的一个语法错误级的小 issue，验证链路：

sweagent run \ --agent.model.name=gpt-4o \ --agent.model.per_instance_cost_limit=2.00 \ --env.repo.github_url=https://github.com/SWE-agent/test-repo \ --problem_statement.github_url=https://github.com/SWE-agent/test-repo/issues/1

命令里三个参数各管一件事：--agent.model.name选模型，--agent.model.per_instance_cost_limit设单个任务的费用上限（美元），--env.repo.github_url指定要修的仓库，--problem_statement.github_url指定要修的 issue。

跑起来后你会看到几个阶段：启动 runtime（几秒钟）、安装工具、打印系统提示词、然后进入主循环——模型开始一步步读文件、改代码。全部细节会被存成一个.traj轨迹文件，放在trajectories/目录下，这是它最重要的输出物。

密钥配置细节可以看模型与密钥说明，完整示例在 Hello World 教程。

把一个真实任务交给它：标准用法与工作流

换成你自己的 issue 时，思路完全一样：把上面命令里的最后两个 URL 换成你的仓库和 issue 链接，然后盯着终端看它干活。

它会经历这么几个阶段。先"starting runtime"——这是底层执行环境（由 SWE-ReX 管理）在容器里启动，本地 Docker、Modal、AWS Fargate 都可以。接着安装它要用的工具集。然后系统提示词和问题描述一起喂给模型，主循环开始：模型每次提出一个动作（读文件、跑 bash 命令、编辑代码），环境执行后把观察结果喂回去，循环往复，直到它调用submit——此时 SWE-agent 从它的工作区里抽出 diff，就是你拿到的补丁。

如果你想一次处理一批 issue（比如历史积压、跑 SWE-bench 评测），把run换成run-batch，用--instances指定数据源，用--instances.slice切片控制数量：

sweagent run-batch \ --config config/default.yaml \ --agent.model.name=gpt-4o \ --instances.type=swe_bench \ --instances.subset=lite \ --instances.split=dev \ --instances.slice=:3

这条命令会从 SWE-bench 数据集里取前 3 条 issue 并行开跑，底部有进度条。每个任务一个实验目录，轨迹文件全部归档在trajectories/下。批量模式的完整玩法见 batch mode 教程。

拆开黑盒：它内部是怎么工作的

跑通了，再看它是怎么分工的，就不只是"一个脚本"的感觉了。

整个系统可以拆成四个角色：

Agent（决策者）：核心决策单元，加载config.yaml里的配置——用什么提示词模板、哪些工具可用、历史消息怎么处理，全在这里定义。它负责把环境反馈组织好，问模型"下一步干什么"，再把模型的动作派给环境执行。
SWEEnv（执行者）：环境管理模块，负责文件操作和命令执行。所有 bash 命令、文件读写都发生在这里，模型本身碰不到你的机器，只能碰容器里的那份代码。
History Processor（记忆管理员）：Agent 和环境之间的每一轮对话都要经过它。它决定哪些历史消息保留、哪些压缩、哪些加缓存标记（cache_control），直接影响 token 费用和上下文质量。
Model（大脑）：你配置的任意 LM。它只看经过 History Processor 加工后的消息，输出下一个动作。

所以一次运行其实是这样转的：sweagent run启动后，Agent 把问题描述发给 Model；Model 返回动作，Agent 转交给 SWEEnv 执行；SWEEnv 返回观察结果，History Processor 整理后送回 Model——循环直到submit。理解了这条链路，后面排查问题时你就知道该查哪一环。

结果不理想？按这里排查

轨迹文件.traj是诊断的第一现场，它完整记录了模型每一步的思考、动作和环境的返回。

第一步：打开轨迹查看器。项目内置两种：命令行版sweagent inspect（vim 风格按键翻轨迹），和网页版sweagent inspector（在含.traj文件的目录里运行，浏览器直接打开，默认端口 8000，可用--directory指定目录）。网页版能看到每一步的完整对话和评估报告：

第二步：对照症状找原因。

模型连接失败：先确认密钥导出对了没有（echo $ANTHROPIC_API_KEY之类的简单检查），再看网络能否直连模型 API，必要时配代理。
动作被解析失败：默认配置用 function calling 解析模型输出；如果你的模型不支持，要把解析器换掉——在配置里设agent.tools.parse_function.type为thought_action，改为从回复里抽最后一个三反引号代码块。
跑太贵/太久：加上--agent.model.per_instance_cost_limit设费用上限，超了自动停；或者收紧配置的max_steps。
环境起不来：默认后端是 Docker，确认 Docker 已安装且在运行；起不来的排查方法见安装排障提示。
依赖冲突：老规矩，虚拟环境隔离：
```
python -m venv .venv source .venv/bin/activate
```

更多查看轨迹的技巧见 inspector 文档。

想继续深挖：进阶资源

按需取用，不用全看：

官方文档首页：整体入口，从配置到参考 API 都在这；
配置模板：主配置文件，提示词、工具、历史处理器都在里面，config/demo/ 下还有更精简的变体；
benchmark 配置集：现成的评测配置，比如250212_sweagent_heavy_sbl.yaml；
扩展工具目录：registry、edit_anthropic、search、windowed等工具包，想给 Agent 加新能力就从这里看起。

一句话收尾：把 issue 链接交给 SWE-agent，把 review 补丁的时间留给自己——这就是它存在的意义。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

企业官网建设流程全解析