LM Agent

概述

LM Agent 是将语言模型从"回答问题的文本系统"重新定义为"在环境中反复采取行动并接收反馈的决策体"的范式。这一范式转换是 SWE-agent 论文最底层的理论基础。

关键内容

定义

"LM acts as an agent when it iteratively takes actions and receives feedback."

论文将 LM Agent 定义为：一个语言模型在环境中反复采取动作并接收反馈的系统。这决定了整篇论文的视角——研究的不是"代码生成"，而是"模型如何在软件工程环境里完成任务"。

范式转换

维度	传统视角	LM Agent 视角
模型角色	文本生成器	环境中的决策体
关注点	Prompt 和代码 token 预测	动作空间、反馈格式、状态表示、错误恢复
任务性质	静态生成	迭代交互
评估方式	输出质量	任务完成度（% Resolved）

为什么重要

这一定义是整篇论文的范式转换。只要接受"LM 是 agent"，后续 ACI、护栏机制、上下文管理等概念才成立。否则会将 SWE-agent 误解为"一个会自动改代码的 prompt workflow"。

与 Agent 循环的关系

LM Agent 的实现依赖于 Agent循环：

while (true):
    response = LLM(messages + tools)
    if response.stopReason == "stop": break
    if response.stopReason == "toolUse": execute_tools()

SWE-agent 在此基础上采用 ReAct 风格循环：每一步生成 thought + command，再接收执行结果。

来源

raw/ChatGPT-Chat/ChatGPT-SWE-agent 论文核心观点/03-SWE-agent 论文的所有核心概念展开详细分析一个一个.md — SWE-agent 核心概念分析

LM Agent

概述

关键内容

定义

范式转换

为什么重要

与 Agent 循环的关系

来源

相关