SWE-bench 代码与 Agent 评估

软件工程智能体真实基准评测 (SWE-bench / SWE-bench Verified) 是当前全球衡量自主 AI Agent（如 Claude 3.5 Sonnet, Codex, Devin, Cursor Agent）在真实复杂 GitHub 开源软件仓库中自主排障、定位 Bug、跨文件修改代码并通过全套回归单元测试的终极黄金评测基准；基准精选了 2294 个（Verified 版为 500 个严格人工核验实例）源自 Django, SymPy, scikit-learn, pytest 等顶级 Python 仓库的真实 GitHub Issue；系统为 Agent 提供隔离的 Git 仓库与 Docker 沙箱，由 Agent 自主检索代码、编辑文件并生成 Git Patch，最终在沙箱中运行项目的真实测试套件验证 `Resolved` 解决率。

评估 Coding Agent、代码助手、自治软件工程师 (Autonomous Software Engineer) 的真实工程落地能力。

传统代码评测（如 HumanEval）仅能测试单函数 10 行独立算法题，与真实工业级软件工程（数万行代码、复杂依赖、多文件跨模块调用）严重脱节；SWE-bench 将评测推向了真正的工业级端到端代码修复与架构理解。

详细梳理 SWE-bench 评测流水线：Issue 描述输入 -> Agent Docker 沙箱探索 -> Git Patch 提取 -> 运行 PASS_TO_PASS 与 FAIL_TO_PASS 测试？

SWE-bench Lite 与 SWE-bench Verified（经过人类专家审查剔除有歧义或测试不完整的实例）在评测置信度上的提升？

Agent 在面对数十万行大型仓库时的代码检索与定位策略（Agentic Search / Ripgrep / AST 语义索引）对最终得分的决定性影响？

SWE-bench 中 FAIL_TO_PASS（原本失败的测试必须通过）与 PASS_TO_PASS（原本通过的测试不得被破坏）的双向断言验证机制？

从单 Agent 盲目编辑到引入 Multi-Agent（定位 Agent + 修复 Agent + 单元测试验证 Agent）在提升 SWE-bench 解决率上的架构演进？