@zostaff: 这篇论文彻底改变了我对自我演化代码库的看法：Backlog -> Ideate -> Triage -> Execute -> Poli…

X AI KOLs Timeline 论文
self-evolving-codebases ai-development llm synthetic-user software-engineering specification-driven

摘要

这篇论文提出了一个利用LLM实现自我演化代码库的六阶段蓝图，强调向规范（specification）而非指标收敛。

这篇论文彻底改变了我对自我演化代码库的看法： Backlog -> Ideate -> Triage -> Execute -> Polish -> Regress 以下是六阶段蓝图： Backlog：该循环不会关闭工单，而是像用户一样系统地遍历产品的整个规范。 Ideate：“作为用户 x 1000”——一个LLM代理以人类1000倍的速度运行，模拟出合成高级用户的使用场景。 Triage：每个发现都通过不可逾越的测试——代码作者无法伪造的真相验证。 Execute：变更在一个统一的信任模型下落地，该模型锚定于规范而非指标。 Polish：漂移控制持续衡量质量，并通过自动门控暂停自身。 Regress：回归预言机捕获回滚并将其保持为零。 关键洞察：38个绿色测试与一个完全破损的产品并存——循环必须向规范收敛，而非指标。 经过285+次迭代，这产生了1,094+个合并的拉取请求，且零回归。 请阅读本文，然后查看下面的文章。
查看原文
查看缓存全文

缓存时间: 2026/06/28 10:05

这篇论文彻底改变了我对自我演进代码库的看法：

待办 → 构思 → 分类 → 执行 → 打磨 → 回退

以下是六阶段蓝图：

待办：循环不会关闭工单，而是像用户一样系统地遍历产品的整个规格说明。

构思：“作为用户 x 1000”——一个 LLM 智能体以人类千倍的速度运行，模拟超级用户。

分类：每项发现都通过无可挑剔的测试——代码作者无法伪造的基准真相验证。

执行：变更基于统一的信任模型落地，该模型锚定于规格说明而非某个指标。

打磨：漂移控制持续衡量质量，并通过自动门控暂停自身。

回退：回退预言机捕捉回滚，并将其保持为零。

关键洞察：38个绿色测试与一个完全破损的产品共存——循环必须收敛于规格说明，而非某个指标。

经过285+次迭代，这产生了1,094+个已合并的拉取请求，且零回退。

阅读本文，然后查看下面的文章。

相似文章

自演化编码智能体

Hugging Face Daily Papers

本文综述了自演化编码智能体，这类智能体通过从先前的编码交互中更新框架、记忆、技能、工具或模型来改进其未来行为，并提出了一个分类体系，涵盖演化什么、何时演化以及由哪些软件特定证据驱动。