Stanford CS329A (Ép 10) : SWE-Agents — Génie logiciel autonome, CodeMonkeys, KernelBench et Agent-System Interface
Le génie logiciel en environnement de production réel n'a pratiquement aucun rapport avec les puzzles de programmation compétitive isolés ou les problèmes académiques simplifiés. Un véritable rapport de bug GitHub n'arrive jamais emballé avec des tests unitaires prédéfinis ; il est enchevêtré à travers des centaines de fichiers, des dépendances historiques complexes et des millions de lignes de code de production distribué. De plus, un logiciel en production ne peut pas se contenter d'être fonctionnellement correct — il doit être performant, économe en mémoire et parfaitement adapté aux architectures matérielles parallèles de bas niveau.
Pour inaugurer la Partie 3 : Ingénierie des Agents (Leçons 10 à 12) de Stanford CS329A : Self-Improving AI Agents, nous quittons les clusters d'entraînement de modèles fondamentaux pour plonger directement dans la réalité technique du développement logiciel industriel :
« Comment des agents IA autonomes naviguent-ils dans des dépôts de plusieurs millions de tokens, isolent-ils des bugs de régression insidieux, synthétisent-ils des environnements de test reproductibles et conçoivent-ils des kernels GPU sur mesure surpassant les implémentations PyTorch manuelles ? »
Cet article analyse la frontière actuelle du SWE-Agent Autonomous Coding à travers trois avancées majeures : CodeMonkeys Automated Refactoring sur le SWE-bench Benchmark GitHub, KernelBench GPU Performance Tuning par boucle de rétroaction de profiler matériel, et le système Agent-Computer Interface ACI (Agent-System Interface, ASI) de Stanford, conçu pour éliminer le décalage sémantique entre l'intention de haut niveau de l'agent et le matériel parallèle physique.