Stanford CS329A (Ep 10): SWE-Agents — Autonome Softwareentwicklung, CodeMonkeys, KernelBench und Agent-System Interface
Reale Softwareentwicklung in Produktionsumgebungen hat praktisch keine Ähnlichkeit mit isolierten Programmierwettbewerben oder akademischen Spielzeugproblemen. Ein realer GitHub-Fehlerbericht wird nicht fein säuberlich mit vordefinierten Unit-Tests geliefert; er ist über hunderte von Dateien, veraltete Abhängigkeiten und Millionen von Zeilen verteilten Produktionscodes verstreut. Darüber hinaus darf Software in der Praxis nicht nur funktional korrekt sein — sie muss recheneffizient, speicherschonend und optimal auf parallele Low-Level-Hardwarearchitekturen abgestimmt sein.
Zum Auftakt von Teil 3: Agent Engineering (Lektionen 10 bis 12) von Stanford CS329A: Self-Improving AI Agents verlassen wir die grundlegenden Modell-Trainingscluster und steigen tief in die technische Praxis der industriellen Softwareentwicklung ein:
"Wie navigieren autonome KI-Agenten durch Repositories mit mehreren Millionen Token, isolieren schwer fassbare Regressionsfehler, erstellen reproduzierbare Testumgebungen und schreiben benutzerdefinierte GPU-Kernel, die von Menschen optimierte PyTorch-Baselines übertreffen?"
Dieser Beitrag untersucht die moderne Grenze des SWE-Agent Autonomous Coding anhand von drei bahnbrechenden Durchbrüchen: CodeMonkeys Automated Refactoring auf dem SWE-bench Benchmark GitHub, KernelBench GPU Performance Tuning mittels Hardware-Profiler-Schleifen und Stanfords Agent-Computer Interface ACI (Agent-System Interface, ASI), das entwickelt wurde, um semantische Diskrepanzen zwischen übergeordneten Agentenabsichten und physischer Parallel-Hardware aufzulösen.