AutoCodeRover は、マルチエージェントの協調を実世界のコードリポジトリにまで拡張する。専門化されたエージェントをオーケストレーションし、複数ファイルにまたがる複雑なプロジェクト全体で、コードベースの探索、ソースコードの編集、そしてその変更の検証を自律的に行わせる。
これを導入した論文 AutoCodeRover：自律的なプログラム改善 は、AutoCodeRover を、GitHub のイシューを解決してプログラムの改善を自律的に達成するための自動化されたアプローチとして提示している。ここでいうプログラムの改善とは、著者らがコーディングそのものとは区別する、ソフトウェアの保守と進化の作業である。同論文の説明では、LLM が高度なコード検索機能と組み合わされ、最終的にプログラムの修正またはパッチに至る。
機能
導入論文は、他の LLM エージェントのアプローチよりもソフトウェアエンジニアリング寄りだとする見方を示している。AutoCodeRover は、ソフトウェアプロジェクトを単なるファイルの集合と見なすのではなく、プログラム表現である抽象構文木の上で動作する。そのコード検索はクラスとメソッドという形でプログラムの構造を活用しており、著者らによれば、これによってイシューの根本原因に対する LLM の理解が高まり、反復的な検索を通じてコンテキストを効果的に取得できる。スペクトラムベースの故障箇所特定は、テストスイートが利用可能であるという前提のもとで、そのコンテキストをさらに絞り込む。
同じ論文は、300 件の実際の GitHub イシューからなるとされる SWE-bench-lite での測定結果を報告している。それらのイシューの解決率は 19% で、著者らは、これが最近報告された SWE-agent の解決率よりも高いと述べている。平均コストは 0.43 USD で、著者らの説明では他のベースラインよりも大幅に低い。
採用とエコシステム
AI エージェント型プログラミングに関するあるサーベイは、その比較分類法において、AutoCodeRover を、プロアクティブで、マルチターンで、ツールを使用し、適応的な「Multi-agent System」に分類している。