SWE-RL本地化(Localize)原理AI如何从仓库结构定位Bug所在文件【免费下载链接】swe-rl[NeurIPS25] Official codebase for SWE-RL: Advancing LLM Reasoning via Reinforcement Learning on Open Software Evolution项目地址: https://gitcode.com/gh_mirrors/sw/swe-rlSWE-RL 本地化Localize是整个 AI 修 Bug 流水线的第一步也是决定修复成败的关键环节。本文带你用 5 分钟看懂 SWE-RLNeurIPS25 论文的开源实现中 Agentless Mini 的本地化原理AI 如何只凭一段 Issue 描述和一张仓库结构图就精准定位 Bug 所在文件。全文不堆砌代码新手也能轻松理解。为什么定位是 AI 修 Bug 的第一步 真实的大型开源仓库动辄几千个文件、上百万行代码。如果让大模型直接通读全部源码再修复既浪费 token又容易看花眼。SWE-RL 采用的策略是先缩小范围再精修——这就是著名的三阶段流水线Localize定位找出 Bug 可能所在的文件Repair修复只针对这些文件生成补丁Rerank重排从多个补丁中选出最佳答案定位质量直接决定了后面修复的天花板文件找错了再强的模型也修不对。这也是为什么 SWE-RL 专门为它设计了这套精巧的机制。本地化的输入与输出一个极简的问题 本地化的核心逻辑其实很简单它的输入只有两样东西一段 GitHub Issue 问题描述用户报告了什么 Bug一份仓库目录结构预处理过的文件树输出则是一份按重要性排序的文件路径列表最多返回 n 个候选文件。整个过程可以在 localize.py 中找到核心函数localize_files一次调用就完成了从拼提示词到解析结果的完整闭环。三步预处理先给模型减负 在把仓库结构交给模型之前SWE-RL 会先做几道过滤工序这些逻辑都在 data.py 中只保留 Python 文件filter_none_python会剔除配置、文档等非代码文件避免干扰判断过滤测试文件filter_out_test_files把 test 目录从结构中移除SWE-bench 的 pytest 任务除外因为模型要定位的是被测试的代码而不是测试本身结构树展示show_project_structure把嵌套的目录树按层级缩进格式化变成模型容易阅读的文本经过这三步几万行的仓库被浓缩成一张纯代码地图模型只需在这张地图上做选择题。提示词设计把仓库结构翻译给模型的语言 本地化提示词的模板定义在 prompts.py 中它的核心指令只有一句话请浏览给定的 GitHub Issue 和仓库结构列出解决该问题需要编辑或查看的文件列表。模板还会明确约束输出格式最多返回 n 个文件按重要性从高到低排序用代码块包裹、每行一个完整路径这种结构化的输出契约非常关键——它让后续的路径解析和校正变得可靠也让模型知道该给什么、给多少。多轮采样让定位更稳的秘密武器 一次定位往往不够稳。SWE-RL 支持num_samples 1的多轮采样并且做了巧妙的随机化设计每次随机要求返回2~5 个文件而不是固定数量随机使用2 或 4 空格的目录缩进随机打乱目录树的展示顺序这样每一轮模型看到的地图略有不同多次采样就能覆盖不同的文件组合显著提升召回率——即使某一次漏掉了关键文件另一次采样可能就补上了。这也是 SWE-RL 在 SWE-bench 上取得好成绩的工程细节之一。路径校正与断点续跑不容忽视的工程细节 ️模型输出难免有幻觉路径。SWE-RL 用correct_file_paths将模型输出的每个路径与仓库中的真实路径逐一精确比对只保留完全匹配的文件从源头杜绝无效路径进入修复阶段。同时本地化支持断点续跑每处理完一个 Issue结果就追加写入 JSONL 文件重新运行时自动跳过已完成的实例existing_instance_ids机制。整个流程基于 asyncio 异步并发配合信号量控制请求速率可以在大规模评测中高效运行。如何衡量定位准不准 SWE-RL 提供了开箱即用的评估工具 check_loc_perf.py它会将定位结果与官方补丁涉及的真实文件做对比输出四个关键指标max_coverage多次采样中覆盖真实文件的最大比例avg_coverage平均覆盖率all_files_found所有真实文件都被找到的比例any_file_found至少命中一个文件的比例有了这些指标你就能量化地比较不同模型、不同采样策略的定位效果。从定位到修复整个文件内容直接进入 Repair 定位完成后repair.py 中的construct_topn_file_context会把定位到的整个文件内容拼接成上下文喂给模型生成 SEARCH/REPLACE 格式的编辑补丁——注意是完整文件而不是代码片段这能避免模型只见树木不见森林。修复后的补丁再进入 Rerank 阶段通过回归测试、复现测试和多数投票选出最终答案。如何亲手运行 SWE-RL 本地化 想亲自体验这个流程可以先克隆仓库并安装依赖git clone https://gitcode.com/gh_mirrors/sw/swe-rl cd swe-rl pip install -e .[agentless]配置好OPENAI_API_KEY、PROJECT_FILE_LOC等环境变量后运行一行命令即可启动本地化python -m swerl.agentless_mini.localize \ --output_file demo_agentless/loc.jsonl \ --shard 0 --num_shards 125 \ --num_samples 1 --temperature 0.0 \ --model meta-llama/Llama-3.3-70B-Instruct小结 SWE-RL 本地化的精妙之处在于做减法过滤无关文件、压缩结构树、用随机采样弥补单次判断的不稳定最后用路径校正守住质量底线。它用最朴素的思路解决了 AI 编程中最现实的问题——在巨型代码库里先找到对的文件再谈修复。理解了这一步你就掌握了 SWE-RL 完整推理链的第一块也是最重要的一块拼图。【免费下载链接】swe-rl[NeurIPS25] Official codebase for SWE-RL: Advancing LLM Reasoning via Reinforcement Learning on Open Software Evolution项目地址: https://gitcode.com/gh_mirrors/sw/swe-rl创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考