TRAE Agent 在 SWE-bench Verified 上得分 75.2%，并已开源 - 文章 - 开发者社区

picture.image

在近期的 SWE-bench Verified 排行榜上，TRAE Agent 拿到了 75.2% 的求解率分数 ，我们也非常激动地将其作为开源项目贡献给社区。

picture.image

什么是 TRAE Agent？

TRAE Agent 是一个基于大语言模型（LLM）的智能助手，专为软件工程任务设计。你可以把它想象成你团队中的一位资深工程师，能够自主完成以下任务：

Lakeview 模式可对 Agent 执行的步骤进行简明总结
通过系统性复现与分析调试复杂问题
制定详细计划并实现健壮的修复方案
理解任意代码库并掌握现有代码模式
编写符合最佳实践的高质量代码

picture.image

TRAE Agent 如何在

SWE-bench Verified 上取得第一？

补丁生成

我们采用单 Agent 模式来生成补丁。为此，我们为 TRAE Agent 提供以下工具：

str_replace_based_edit_tool：允许 Agent 查看文件与目录，并对现有文件进行创建和编辑
bash：提供一个持久的命令执行接口，用于运行系统命令、捕获输出与错误
sequential_thinking：具备结构化问题分析能力，可进行多轮推理、修正、生成并验证假设
ckg_tools：构建代码知识图谱，使 Agent 可以在仓库中查找类与函数
task_done：用于标记任务完成并输出最终结果与总结

我们引入了多个模型供 Agent 使用，包括 Claude-4-Sonnet、Claude-4-Opus、Claude-3.7-Sonnet 和 Gemini-2.5-Pro。

补丁选择

在由不同 LLM 生成的多个候选补丁中，我们探索了两种补丁选择策略：

LLM-as-a-Selector： 使用 LLM 对回归测试通过的补丁进行评分与选择
Selector Agent： 增强方案，结合语法投票机制与多 Agent 验证提升选择准确性

picture.image

Selector Agent 概览图

Selector Agent 是一个更强健、可扩展的补丁选择机制，分为三个阶段：

多模型生成候选补丁
回归测试进行初筛
使用语法等价聚类与多 Agent 验证做最终选择

通过在语法等价的补丁中进行聚类，并结合上下文推理与辅助工具验证，Selector Agent 显著提升了准确率。该机制不仅利用模型共识，还引入了对过拟合和伪一致性的防护，从而提高在更大候选空间中的补丁选择能力。

我们力求在多样性与可靠性之间取得平衡，推动 SWE-bench Verified 自动修复性能的上限。更多选择机制细节可见我们之前的文章：一文讲解，Trae 如何在 SWE-bench Verified 中达到70.6%的求解率

最终成果

我们的方法在 SWE-bench Verified 基准集上达到了 75.2% 的总成功率，成功解决了 500 个真实软件工程任务中的 376 个。

picture.image

开源项目包括哪些内容？

多种 LLM 支持

picture.image

LLM Client 系统为多个 AI 服务提供统一接口，已支持 OpenAI、Anthropic、Azure，并便于扩展至更多提供商。

LLMClient (llm_client.py):

“工厂模式”，支持不同 LLM 提供商
统一聊天补全接口
内置轨迹（trajectory）记录功能

丰富的工具系统

picture.image

tools 模块为 Agent 与环境交互提供完整能力。其基础类 base.py 包括：

Tool: 所有工具的抽象类，包括工具名称、描述、参数和执行函数。
ToolExecutor: 负责工具的执行，支持并行或串行执行。
ToolCall 和 ToolResult: 用于描述工具调用和执行结果的结构体。

基于这些抽象，我们提供了四种现成工具：

文件编辑工具 (edit_tool.py): TextEditorTool (内部名称 str_replace_based_edit_tool) 提供了包括文件查看、创建、替换和插入字符串等文件操作。
Bash 工具 (bash_tool.py): BashTool 支持持久的 bash 会话、超时保护、输出捕获、会话管理。
结构化思维工具 (sequential_thinking_tool.py): SequentialThinkingTool 支持多轮思考、修正、分支逻辑和假设验证。
任务完成工具 (task_done_tool.py): 一个向 Agent 发送任务完成信号的简单但关键的工具。

全面可观测性

picture.image

轨迹记录系统详尽记录 Agent 执行的每一步操作，包括与 LLM 的交互、步骤元数据与错误信息。

我们还提供了实时终端输出（ cli_console.py ），默认启用 lakeview 模式，会异步调用另一 LLM 对步骤进行简要总结，以增强用户体验。

构建自定义 Agent

不论是直接使用 TRAE Agent，还是构建你自己的专业化 AI 助手，模块化架构让这一切变得非常简单：

  
# 自定义 Agent 创建示例  
class MyAgent(Agent):  
    def get_system_prompt(self) -> str:  
        return "Your specialized agent prompt"

picture.image

加入我们

立即体验：

  
git clone <repository-url>  
cd TRAE-agent  
uv sync  
cp TRAE-config.json TRAE-config-local.json  
# 在 TRAE-config-local.json 中指定你的模型与 API Key  
TRAE run "Your first software engineering task" --working-dir='PATH TO WORKING DIR' --config-file TRAE-config-local.json

我们正在寻找：

愿意测试并提供反馈的早期使用者
愿意扩展工具生态的贡献者
想基于平台构建创新助手的 Agent 开发者
愿意分享使用案例与改进建议的社区成员

快速入口

仓库地址:

github.com/bytedance/TRAE-agent

文档说明:

https://github.com/bytedance/TRAE-agent/blob/main/README.md

问题讨论:

https://github.com/bytedance/TRAE-agent/issues

TRAE Agent 遵循 MIT 开源协议开发，致力于回馈软件工程和人工智能社区 ❤️