microsoft/debug-gym

解决的问题

debug-gym 为训练和评估基于 LLM 的代理修复 Python 代码仓库中的错误提供了一个标准化的交互式环境。它通过允许代理使用实际的调试工具（如 pdb）在提出修复方案前调查代码行为，弥合了简单代码编辑与真实世界调试之间的差距。

工作原理

该框架遵循 Gymnasium 模式作为模拟环境运行。代理通过一组工具与代码仓库交互，接收环境状态的文本观察结果，并迭代生成命令以收集信息，最终应用补丁。

• 环境与工具：RepoEnv 管理代码库，并提供 bash、view（文件聚焦）、eval（测试执行）、pdb（交互式调试）、grep、listdir 和 edit 等工具。
• 终端：为确保隔离性和可扩展性，支持使用 DockerTerminal 和 KubernetesTerminal 后端执行命令。
• 代理：提供基于 LLM 的代理（如 froggy_agent），可通过 Jinja 模板配置自定义系统提示。
• 集成：与 SWE-bench、SWE-smith 和 R2E-Gym 等基准测试集成，提供标准化的调试任务。

适用人群

• 开发自主软件工程代理的 AI 研究人员。
• 构建基于 LLM 的自动化错误修复和程序分析工具的开发者。
• 希望使用真实世界 Python 仓库评估 LLM 代理调试能力的用户。

核心亮点

• 交互式调试：集成 pdb，允许代理在执行过程中设置断点并检查状态。
• 可扩展工具：用户可轻松创建并注册新工具，扩展代理的动作和观察空间。
• 隔离执行：支持 Docker 和 Kubernetes，实现安全、可扩展的代理生成代码执行。
• 可定制提示：使用 Jinja 模板实现灵活的系统提示工程。
• 人机协同：包含“人工模式”，支持手动与环境交互，用于测试工具调用工作流。