微软AI程序员登场，10倍AI工程师真来了？996自主生成代码，性能超GPT-4 30%

新智元报道

编辑：桃子 润

【新智元导读】全球首个AI程序员Devin诞生之后，让码农纷纷恐慌。没想到，微软同时也整出了一个AI程序员——AutoDev，能够自主生成、执行代码等任务。网友惊呼，AI编码发展太快了。

全球首个AI程序员Devin的横空出世，可能成为软件和AI发展史上一个重要的节点。

它掌握了全栈的技能，不仅可以写代码debug，训模型，还可以去美国最大求职网站Upwork上抢单。

一时间，网友们惊呼，「程序员不存在了」？

甚至连刚开始攻读计算机学位的人也恐慌，「10倍AI工程师」对未来的工作影响。

除了Cognition AI这种明星初创公司，美国的各个大厂也早就在想办法用AI智能体降本增效了。

就在3月14日同一天，微软团队也发布了一个「微软AI程序员」——AutoDev。

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

与Devin这种极致追求效率和产出结果的方向有所不同。

AutoDev专为自主规划、执行复杂的软件工程任务而设计，还能维护Docker环境中的隐私和安全。

在此之前，微软已有主打产品GitHub Copilot，帮助开发人员完成软件开发。

然而，包括GitHub Copilot在内的一些AI工具，并没有充分利用IDE中所有的潜在功能，比如构建、测试、执行代码、git操作等。

基于聊天界面的要求，它们主要侧重于建议代码片段，以及文件操作。

AutoDev的诞生，就是为了填补这一空白。

用户可以定义复杂的软件工程目标，AutoDev会将这些目标分配给自主AI智能体来实现。

然后，这些AI智能体可以对代码库执行各种操作，包括文件编辑、检索、构建过程、执行、测试和git操作。

甚至，它们还能访问文件、编译器输出、构建和测试日志、静态分析工具等。

在HumanEval测试中，AutoDev分别在代码生成和测试生成方面，分别取得了91.5%和87.8% Pass@1的优秀结果。

网友表示，AI编码发展太快了，2021年GitHub Copilot能解决28.8%的HumanEval问题，到了2024年，AutoDev直接解决了91.5%的问题。

不用人类插手，AutoDev自主完成任务

AutoDev工作流程如下图所示，用户定义一个目标，比如「测试特定方法」。

AI智能体将测试写入一个新文件，并启动测试执行命令，以上都在安全的评估环境中进行。

然后，测试执行的输出（包括失败日志）将合并到对话中。

AI智能体分析这些输出，触发检索命令，通过编辑文件合并检索到的信息，然后重新启动测试执行。

最后，Eval环境提供有关测试执行是否成功，以及用户目标完成情况的反馈。

整个过程由AutoDev自主协调，除了设定初始目标之外，无需要开发人员干预。

相比之下，如果现有的AI编码助手集成到IDE 中，开发人员必须手动执行测试（比如运行pytest）、向AI聊天界面提供失败日志、可能需要识别要合并的其他上下文信息，并重复验证操作确保AI生成修改后的代码后测试成功。

值得一提的是，AutoDev从以前许多在AI智能体领域的研究中汲取了灵感，比如AutoGen——编排语言模型工作流并推进多个智能体之间的对话。

AutoDev的能力超越了对话管理，使智能体能够直接与代码存储库交互，自动执行命令和操作，从而扩展了 AutoGen。

同样，AutoDev的研究也借鉴了Auto-GPT。这是一种用于自主任务执行的开源AI智能体，通过提供代码和IDE特定功能来支持执行复杂的软件工程任务。

AutoDev构架

上图是AutoDev架构的简单示意图。

AutoDev主要由4个功能模块组成：

-用于跟踪和管理用户与代理对话的对话管理器（Conversation Manager）；

-为代理提供各种代码和集成开发环境相关工具的工具库（Tools library）；

-用于调度各种代理的代理调度器（Agents Scheduler）；

-以及用于执行操作的评估环境（Evaluation Environment）。

下面就给大家详细介绍每种功能模块。

规则、行动和目标配置

用户通过yaml文件配置规则和操作来启动流程。

这些文件定义了AI代理可以执行的可用命令（操作）。

用户可以通过启用/禁用特定命令来利用默认设置或细粒度权限，从而根据自己的特定需求量身定制AutoDev。

配置步骤目的是实现对AI代理能力的精确控制。

在这一阶段，用户可以定义人工智能代理的数量和行为，分配特定的责任、权限和可用操作。

例如，用户可以定义一个 「开发者 」代理和一个 「审核者 」代理，让它们协同工作以实现目标。

根据规则和操作配置，用户可以指定AutoDev要完成的软件工程任务或流程。

例如，用户可以要求生成测试用例，并确保其语法正确、不包含错误（这涉及编辑文件、运行测试套件、执行语法检查和错误查找工具）。

对话管理器（conversation manager）

会话管理器负责初始化会话历史，在对正在进行的会话进行高级管理方面发挥着关键作用。它负责决定何时中断对话进程，并确保用户、人工智能代理和整个系统之间的无缝交流。

它维护和管理的对话对象，主要包括来自代理的信息和来自评估环境（eval environment）的操作结果。

解析器

解析器解释代理生成的响应，以预定格式提取指令和参数。它能确保指令格式正确，验证参数的数量和准确性（例如，文件编辑指令需要文件路径参数）。

如果解析失败，就会在对话中注入错误信息，阻止对资源库的进一步操作。

通过强制执行特定的代理权限和进行额外的语义检查，成功解析的命令会被进一步分析。

它能确保建议的操作符合用户指定的细粒度权限。

如果命令通过审查，对话管理器就会调用工具库中的相应操作。

输出组织器

输出组织器模块主要负责处理从评估环境接收到的输出。

它选择关键信息（如状态或错误），有选择地总结相关内容，并将结构良好的信息添加到对话历史记录中。

这可确保用户对AutoDev的操作和结果有一个清晰、有条理的记录。

对话终止器

会话管理器决定何时结束会话。这可能发生在代理发出任务完成信号（停止命令）、对话达到用户定义的最大迭代次数/token、或在进程或评估环境中检测到问题时。

AutoDev的全面设计确保了人工智能驱动开发的系统性和可控性。

代理调度程序（Multi-Agents）

代理调度器负责协调人工智能代理，以实现用户定义的目标。

配置了特定角色和可用命令集的代理协同运行，执行各种任务。调度器采用各种协作算法，如循环、基于令牌或基于优先级的算法，来决定代理参与对话的顺序和方式。

具体来说，调度算法包括但不限于以下几种：

(i)循环协作，按顺序调用每个代理，让每个代理执行预定数量的操作；

(ii)基于令牌的协作，让一个代理执行多个操作，直到它发出一个令牌，表示完成了分配的任务；

(iii)基于优先级的协作，按照代理的优先级顺序启动代理。代理调度器通过当前对话调用特定代理。

代理

由OpenAI GPT-4等大型语言模型（LLM）和为代码生成而优化的小型语言模型（SLM）组成的代理通过文本自然语言进行交流。

这些代理从代理调度程序（Agent Scheduler）接收目标和对话历史，并根据规则和行动配置指定的行动做出响应。每个代理都有其独特的配置，有助于实现用户目标的整体进展。

工具库（Tools Library）

AutoDev中的工具库提供了一系列命令，使代理能够对资源库执行各种操作。

这些命令旨在将复杂的操作、工具和实用程序封装在简单直观的命令结构中。

例如，通过build和test 这样的简单命令，就能抽象出与构建和测试执行有关的复杂问题。

-文件编辑：该类别包含用于编辑文件（包括代码、配置和文档）的命令。

-该类别中的实用程序，如写入、编辑、插入和删除，提供了不同程度的精细度。

-代理可以执行从写入整个文件到修改文件中特定行的各种操作。例如，命令 write - 允许代理用新内容重写一系列行。

检索：在这一类别中，检索工具包括grep、find和ls等基本CLI工具，以及更复杂的基于嵌入的技术。

这些技术能让代理查找类似的代码片段，从而提高他们从代码库中检索相关信息的能力。

例如，retrieve 命令允许代理执行与所提供内容类似的基于嵌入的片段检索。

-构建与执行：这类命令允许代理使用简单直观的命令毫不费力地编译、构建和执行代码库。底层构建命令的复杂性已被抽象化，从而简化了评估环境基础架构中的流程。这类命令的示例包括：构建、运行 <文件>。

-测试与验证：这些命令使代理能够通过执行单个测试用例、特定测试文件或整个测试套件来测试代码库。代理可以执行这些操作，而无需依赖特定测试框架的底层命令。

这类工具还包括校验工具，如筛选器和错误查找工具。这类命令的例子包括：检查语法正确性的 syntax 和运行整个测试套件的 test。

-Git：用户可以为Git操作配置细粒度权限。包括提交、推送和合并等操作。例如，可以授予代理只执行本地提交的权限，或者在必要时将更改推送到源代码库。

-通信：代理可以调用一系列旨在促进与其他代理和/或用户交流的命令。值得注意的是，talk命令可以发送自然语言信息（不解释为版本库操作命令），ask命令用于请求用户反馈，而stop命令可以中断进程，表示目标已实现或代理无法继续。

因此，AutoDev中的工具库为人工智能代理提供了一套多功能且易于使用的工具，使其能够与代码库进行交互，并在协作开发环境中进行有效交流。

评估环境（Eval Environment）

评估环境在Docker容器中运行，可以安全地执行文件编辑、检索、构建、执行和测试命令。

它抽象了底层命令的复杂性，为代理提供了一个简化的界面。评估环境会将标准输出/错误返回给输出组织器模块。

整合

用户通过指定目标和相关设置启动对话。

对话管理器初始化一个对话对象，整合来自人工智能代理和评估环境的信息。随后，对话管理器将对话分派给负责协调人工智能代理行动的代理调度器。

作为人工智能代理，语言模型（大型或小型 LM）通过文本互动提出指令建议。

命令界面包含多种功能，包括文件编辑、检索、构建和执行、测试以及 Git 操作。对话管理器会对这些建议的命令进行解析，然后将其引导至评估环境，以便在代码库中执行。

这些命令在评估环境的安全范围内执行，并封装在 Docker 容器中。

执行后，产生的操作将无缝集成到对话历史中，为后续迭代做出贡献。

这种迭代过程一直持续到代理认为任务完成、用户干预发生或达到最大迭代限制为止。

AutoDev 的设计确保了系统、安全地协调人工智能代理，以自主和用户控制的方式完成复杂的软件工程任务。

实证评估设计

在研究人员的实证评估中，评估了AutoDev在软件工程任务中的能力和有效性，研究它是否能够提升人工智能模型的性能，而不仅仅是简单的推理。

此外，研究人员还评估了AutoDev在步骤数、推理调用和token方面的成本。

主要是确定了三个实验研究问题：

- 1 : AutoDev 在代码生成任务中的效果如何？

- 2 : AutoDev 在测试生成任务中的效果如何？

- 3 : AutoDev 完成任务的效率如何？

1 : AutoDev在代码生成任务中的效率如何？

研究人员使用Pass@k指标来衡量AutoDev的有效性，其中表示尝试的次数。

成功解决的问题是指AutoDev生成的方法主体代码满足所有人工编写的测试。一次尝试相当于一次完整的AutoDev对话，其中涉及多个推理调用和步骤。

这与其他方法（如直接调用 GPT-4）形成鲜明对比，后者通常只涉及一次推理调用。有关多次推理调用和步骤的细节将在 3 中进一步探讨。在本次评估中，研究人员设置 = 1，从而计算Pass@1，只考虑第一次尝试的成功率。

2：AutoDev在测试生成任务中的效果如何？

对于这个研究问题，研究人员修改了HumanEval数据集，来评估AutoDev在生成测试方面的能力。

研究人员考虑人工编写的解决方案，并放弃所提供的人工编写的测试。

他们指示AutoDev为重点方法生成测试用例，并根据测试成功率、重点方法的调用和测试覆盖率对其进行评估。

研究人员报告Pass@1，如果测试通过并调用了焦点方法，则认为测试成功。

此外，研究人员还将AutoDev测试的覆盖率与人工编写的测试覆盖率进行了比较。

3：AutoDev 完成任务的效率如何？

在本研究问题中，研究人员将调查AutoDev完成SE任务的效率。

研究人员分析了所需步骤或推理调用的数量、所使用命令的分布（如写入、测试）以及对话中使用的token总数。

AutoDev设置

在本次评估中，AutoDev基于GPT-4模型（gpt-4-1106-preview）与一个代理保持一致的设置。

启用的操作包括文件编辑、检索和测试。

唯一可用的通信命令是表示任务完成的stop命令。

其他命令，如询问，都是禁用的，这就要求 AutoDev 在初始目标设定之外，在没有人类反馈或干预的情况下自主运行。

实验结果

- AutoDev在代码生成任务中的效率如何？

表1显示了，将AutoDev与两种替代方法和零样本基线进行了比较。

研究人员将AutoDev与语言代理树搜索（LATS）和Reflexion 进行了比较，这两种方法是截至2024年3月HumanEval 排行榜上的两种领先方法。

零样本基线（GPT-4）的结果取自OpenAI GPT-4技术报告。

AutoDev Pass@1率为91.5%，在HumanEval排行榜上稳居第二。

值得注意的是，这个结果是在没有额外训练数据的情况下获得的，这将AutoDev与LATS区分开来，后者达到了94.4%。

此外，AutoDev框架将GPT-4性能从67%提升至91.5%，相对提升了30%。

这些结果体现出，AutoDev有能力显著提升大模型完成软件工程任务方面的表现。

- AutoDev在测试生成任务中的效果如何？

AutoDev在针对测试生成任务修改的HumanEval数据集上，获得了87.8% Pass@1分数，与使用相同GPT-4模型的基线相比，相对提高了17%。

AutoDev生成的正确测试（包含在Pass@1中）实现了99.3%的鲁棒覆盖率，与人工编写的测试的99.4%覆盖率相当。

- AutoDev完成任务的效率如何？

图3显示了，AutoDev在代码生成和测试生成任务中使用的命令累积数，其中考虑到问题1和问题2中每个HumanEval问题的平均评估命令数量。

对于代码生成，AutoDev平均执行5.5条命令，其中包括1.8条写入操作、1.7条测试操作、0.92条停止操作（表示任务完成）、0.25条错误命令，以及最少的检索（grep、find、cat）、语法检查操作和通话通信命令。

在「测试生成」任务中，命令的平均数量与「代码生成」任务一致。

不过，「测试生成」任务涉及的检索操作更多，错误操作的发生率也更高，因此每次运行的平均命令总数为6.5条。

在前两个问题中，为解决每个HumanEval问题而进行的AutoDev对话的平均长度分别为1656和1863个token。

这包括用户的目标、来自AI智能体的信息和来自评估环境的响应。

相比之下，GPT-4（基线）的零样本在每个任务中平均使用200个token（估计值）生成代码，使用373个token生成测试。

虽然AutoDev使用了更多的token，但大量token用于测试、验证和解释自己生成的代码，超出了基线方法的范围。

最后，AutoDev会产生与协调人工智能智能体、管理对话以及在Docker环境中执行命令相关的执行成本。

接下来，一起看一下AutoDev如何执行测试生成任务。

开发者给到任务：设定生成遵循特定格式的pytest测试。

AutoDev智能体启动write-new命令，提供测试文件的文件路径和内容。

随后，AutoDev智能体触发测试操作，AutoDev在其安全的Docker环境中运行测试，并给出测试执行报告JSON。

然后，AutoDev开始自主执行：

AutoDev智能体在pytest输出中发现了一个错误，认识到需要进行修复，以使测试与函数的预期行为保持一致。

继续如图5所示，AutoDev智能体发出写入命令，指定文件路径和行号范围 (5-5)，以重写错误的断言语句。

随后，AutoDev智能体继续执行测试，并测试成功。

从上面例子中看得出，AutoDev能够自我评估生成的代码，并解决自身输出中的错误。

此外，AutoDev可以帮助用户深入了解智能体的操作，并允许智能体在任务期间进行交流。

随着Devin、AutoDev等AI工程师的诞生，程序员们的工作可能会一大部分实现自动化。

参考资料：

https://www.reddit.com/r/singularity/comments/1bfolbj/autodev_automated_aidriven_development_microsoft/