@leanxbt: 这篇论文完全改变了我对一个智能体如何修复自身代码的看法：生成代码 -> 执行 -> 解释...

这篇论文完全改变了我对一个智能体如何修复自身代码的看法： 生成代码 -> 执行 -> 逐行解释代码 -> 从解释和输出中找出错误 -> 重写 -> 重复 以下是5步蓝图： - 迭代调试：模型并非从头编写正确代码，而是进入对自身预测进行编辑的循环。 - 橡皮鸭调试法：模型用自然语言逐行解释其生成的代码，仅凭该解释发现错误，无需错误信息。 - 执行反馈：在存在单元测试或解释器的情况下，将实际执行输出输入到循环中，而不仅仅是自我解释。 - 追踪变种：模型在脑中逐步模拟代码运行，这增强了在没有测试可用时的调试能力。 - 重用失败：失败的预测及其反馈不会被丢弃，而是带入下一轮，大幅提高样本效率。 关键洞察：要发现错误，模型不需要错误信息，只需要强迫自己用语言解释自己的代码。 Self-Debugging 匹配或击败生成10倍候选方案的基线，并将准确率提升高达12%。 阅读此文，然后查看下面的文章。