DARS：通过自适应树遍历增强编程智能体性能的动态动作重采样
计算与语言
2025-03-19 v1 软件工程
摘要
大语言模型（LLM）已通过实现自动化革新了自然语言处理、数据分析和软件开发等领域。在软件工程中，由LLM驱动的编程智能体因其自动化复杂开发任务、辅助调试和提升生产力的潜力而受到广泛关注。然而，现有方法常常在次优决策上挣扎，要么需要大量人工干预，要么需要低效的计算扩展策略。为提升编程智能体性能，我们提出了动态动作重采样（DARS），一种新颖的推理时计算扩展方法，比基线方法更快、更有效地从次优决策中恢复。与传统智能体要么遵循线性轨迹要么依赖随机采样进行计算扩展不同，我们的方法DARS通过在轨迹的某些关键决策点分支，根据该点之前轨迹的历史和执行反馈采取替代动作。我们在SWE-Bench Lite基准上评估了我们的方法，证明该扩展策略在使用Claude 3.5 Sonnet V2时达到了55%的pass@k分数。我们的框架达到了47%的pass@1率，超越了最先进（SOTA）的开源框架。
引用
@article{arxiv.2503.14269,
title = {DARS: Dynamic Action Re-Sampling to Enhance Coding Agent Performance by Adaptive Tree Traversal},
author = {Vaibhav Aggarwal and Ojasv Kamal and Abhinav Japesh and Zhijing Jin and Bernhard Schölkopf},
journal= {arXiv preprint arXiv:2503.14269},
year = {2025}
}