微软

微软近日公布能帮开发人员除错（debug）的AI工具Debug-gym，可用除错工具协助提供更好的除错建议。

现今已经有不少业者提供AI程序撰写工具，号称能依据程序码和错误讯息建议除错方案，但是这些工具在方案失败时并不会提供其他进一步资讯，使某些错依旧无法解决。有些用户觉得AI程序工具无法全盘理解他们想解决的问题。

微软发表的debug-gym是一个轻量代理人开发环境，旨在让企业开发除错LLM代理人，它能使用互动式除错工具，如预设的python debugger（pdb），以积极寻找进一步除错资讯。透过工具获得的回馈，Debug-gym扩展代理人的行为和观察面，使之设定断点、导览程序码、列印变项值，或建立测试函式，甚至改写程序码。程序代理人研究、生成新的除错建议，最后交由人类判断及核准。在交付之前，这些除错方法可在相关codebase、程序执行和文件脉络下进行grounding，而不只是依据训练资料凭空设想的方案。

微软相信结合适当工具的互动式除错方法，可帮助程序代理人更有效解决真实的软工作业。

微软说明，debug-gym有以下特色：它支援全程序库操作，可存取并编辑整个程序库，且使用Docker沙箱隔离环境，确保除错安全。它易于扩充，可轻鬆新增工具与功能。此外，它是文字导向：以JSON等结构化文字呈现资讯，适合整合大型语言模型（LLM）。

利用debug-gym，开发人员可以指定资料夹路径，使用任何自订程序库来评估代理人效能。微软在debug-gym相关网页中还提供除错标竿测试SWE-bench及可练习除错的程序集Mini-nightmare，提供开发人员练习和衡量LLM除错代理人效能。

微软并公布以这种方法建立除错代理人的标竿测试结果。研究团队使用包括Claude 3.7、OpenAI-o1、OpenAI o3-mini等9种LLM，开发出可下简单文字（JSON格式）提示的代理人，让它使用以下除错工具包括eval、view、pdb、rewrite和listdir以改进除错解决方案。

初期测试显示目前上述三个主要模型，能解决解决SWE-bench Lite最多一半的问题，但微软相信主因在于序列决策行为的训练资料较少。而且，微软指出，此种方法的代理人较传统方法开发出来的代理人，效能已经提升30%、182%及160%，显示是很有潜力的发展方法。

图片来源／微软