RepoMaster旨在讓AI智能體像人類專家一樣，解決真實世界中的復(fù)雜開發(fā)任務(wù)。

作者丨QuantaAlpha

GitHub 上托管著超過5.2億個代碼倉庫，形成了一個龐大且持續(xù)增長的開源生態(tài)系統(tǒng)。然而，對于開發(fā)者而言，這片富饒的“代碼海洋”也常常意味著巨大的挑戰(zhàn)：我們都曾有過這樣的經(jīng)歷——在GitHub上找到一個看似完美的項目，滿懷希望地 git clone，卻旋即陷入環(huán)境配置、依賴沖突和代碼理解的泥潭。過時的文檔、復(fù)雜的內(nèi)部邏輯和隱藏的入口點，常常讓“復(fù)用”的初衷演變成一場耗時費力的“考古”。

與主流社區(qū)致力于“為AI智能體開發(fā)更多專用工具”的思路不同，我們認(rèn)為，真正能被轉(zhuǎn)化的工具并不匱乏，解決智能體落地應(yīng)用的挑戰(zhàn)并非需要耗費大量人力、時間來專門設(shè)計和制造工具，而是如何讓智能體學(xué)會駕馭這個已經(jīng)存在的、海量的代碼世界。

因此，中科院、清華大學(xué)、北京大學(xué)、新加坡國立大學(xué)等機構(gòu)的研究者，與前沿開源學(xué)術(shù)組織 QuantaAlpha 及階躍星辰姜大昕團(tuán)隊聯(lián)合，共同推出了RepoMaster，其核心理念并非“造輪子”，而是“找到并用好輪子”——它能夠根據(jù)任務(wù)需求，首先利用深度搜索技術(shù)在海量開源項目中定位并篩選出最相關(guān)的代碼倉庫，然后將這個倉庫視為一個潛在的、可以直接調(diào)用的強大工具。RepoMaster 旨在讓AI智能體像人類專家一樣，能夠自主探索和理解陌生的代碼庫，從中快速提煉核心功能并加以利用；然后，它基于這份理解，自主地規(guī)劃任務(wù)、編寫和執(zhí)行代碼，并根據(jù)環(huán)境反饋進(jìn)行動態(tài)調(diào)整，從而以最小的適配成本，解決真實世界中的復(fù)雜開發(fā)任務(wù)。

• 論文標(biāo)題：RepoMaster: Autonomous Exploration and Understanding of GitHub Repositories for Complex Task Solving

• 論文鏈接:https://arxiv.org/pdf/2505.21577

• GitHub: https://github.com/QuantaAlpha/RepoMaster

01

RepoMaster核心框架：從深度理解到自主執(zhí)行的三步閉環(huán)

RepoMaster的工作流程始于動態(tài)搜索與選擇：它首先根據(jù)任務(wù)需求，利用深度搜索技術(shù)在GitHub上篩選并鎖定最合適的代碼倉庫。在此之后，RepoMaster的核心優(yōu)勢便體現(xiàn)于其三階段閉環(huán)框架，該框架系統(tǒng)性地解決了AI智能體在面對陌生代碼庫時“看不懂、用不來”的根本難題，從而實現(xiàn)高效、自主的任務(wù)執(zhí)行。

第一階段：層級化倉庫分析—— 從全局到核心

面對陌生的代碼庫，RepoMaster首先進(jìn)行靜態(tài)的、結(jié)構(gòu)感知的分析，為后續(xù)探索建立一幅“導(dǎo)航地圖”。

• 混合結(jié)構(gòu)化倉庫映射:通過AST解析，RepoMaster構(gòu)建出三種互補視圖來描繪代碼庫全貌：

  ?層次化代碼樹 (HCT):揭示代碼的包、模塊、類、函數(shù)間的層級關(guān)系。

  ?函數(shù)調(diào)用圖 (FCG):描繪函數(shù)間的調(diào)用關(guān)系，追蹤程序脈絡(luò)。

  ?模塊依賴圖 (MDG):理清模塊間的導(dǎo)入依賴，洞察項目架構(gòu)。

• 核心組件識別:RepoMaster獨創(chuàng)了一套多維度評分機制（綜合依賴度、復(fù)雜度、Git更新頻率等），從全局視圖中精準(zhǔn)定位出倉庫最關(guān)鍵的核心模塊與類，為后續(xù)探索提供焦點。

  
  

第二階段：自主探索與執(zhí)行 (Autonomous Exploration & Execution) —— 從靜態(tài)地圖到動態(tài)導(dǎo)航

有了結(jié)構(gòu)化的“地圖”和初始上下文，RepoMaster便開始了任務(wù)驅(qū)動的動態(tài)探索與執(zhí)行循環(huán)。

• 上下文感知的代碼探索 (Context-aware Code Exploration):RepoMaster配備了一套強大的探索工具集，允許智能體：

  ?精細(xì)化代碼查看:按需查看任意文件、類或函數(shù)的具體實現(xiàn)。

  ?依賴分析:沿著函數(shù)調(diào)用圖（FCG）和模塊依賴圖（MDG）追溯調(diào)用鏈和依賴路徑。

  ?代碼搜索:通過關(guān)鍵詞快速定位相關(guān)代碼片段。

• 基于反饋的交互式執(zhí)行 (Interactive Feedback-based Execution):探索與執(zhí)行并非線性序列，而是一個緊密交織的閉環(huán)。智能體可以靈活地在編寫代碼、查看文件、分析日志和追蹤依賴之間切換，并根據(jù)執(zhí)行結(jié)果（成功或失?。┑姆答?，實時調(diào)整下一步的行動策略，實現(xiàn)“邊做邊學(xué)、邊學(xué)邊做”。

第三階段：高效信息篩選—— 為LLM上下文“減負(fù)”

為在有限的token窗口內(nèi)進(jìn)行高效的多輪交互，RepoMaster采用了一套多層次信息篩選策略，確保每一輪交互都聚焦于高價值信息：

• 代碼減負(fù):對源代碼，僅提取與任務(wù)相關(guān)的AST子樹。

• 文檔減負(fù):對大型文檔，將其分塊并根據(jù)任務(wù)相關(guān)性檢索最關(guān)鍵的片段。

• 日志減負(fù):對執(zhí)行日志，模仿人類調(diào)試習(xí)慣，只保留包含關(guān)鍵錯誤信息的首尾部分，過濾掉冗長的中間輸出。

02

實驗評估：效果與效率的雙重飛躍

為了驗證RepoMaster的實力，我們選用了兩大極具挑戰(zhàn)性的評測基準(zhǔn)，二者均摒棄了傳統(tǒng)的“從零生成代碼”模式，轉(zhuǎn)而考察智能體直接在現(xiàn)有代碼庫上解決復(fù)雜任務(wù)的能力。第一個是MLE-R，它改編自 OpenAI 的 MLE-Bench，將評測范式從“從零寫代碼”轉(zhuǎn)變?yōu)椤皬?fù)用GitHub項目解決機器學(xué)習(xí)任務(wù)”。第二個是我們?nèi)聵?gòu)建的GitTaskBench，它將這一理念擴(kuò)展到更廣泛的真實世界任務(wù)（如老照片修復(fù)、語音降噪等），并開創(chuàng)性地引入了交付質(zhì)量（Task Pass Rate）作為核心指標(biāo)，旨在評測AI智能體端到端“交付成果”而非僅僅“跑通代碼”的能力。

• 性能全面超越:無論是在MLE-R還是GitTaskBench上，RepoMaster的表現(xiàn)都遠(yuǎn)超OpenHands和SWE-Agent等主流框架。以GitTaskBench為例，在Claude 3.5模型的驅(qū)動下，RepoMaster將最高任務(wù)成功率從40.74%提升至62.96%，實現(xiàn)了跨越式增長。

• 效率大幅領(lǐng)先:更令人印象深刻的是，RepoMaster在取得優(yōu)異性能的同時，展現(xiàn)了極高的效率。在GitTaskBench上，RepoMaster的token消耗量僅為SWE-Agent的約57%，極大地降低了使用成本。

• 消融實驗驗證核心組件有效性:通過逐一移除核心組件，實驗證明了層級化分析、代碼探索和信息篩選三大模塊對于性能的決定性作用。移除任何一個組件都會導(dǎo)致性能顯著下降，驗證了RepoMaster設(shè)計的科學(xué)性與完整性。

  
  

03

案例分析：直觀對比

在一個復(fù)雜的3D姿態(tài)估計任務(wù)中，基線智能體或因無效的試錯而失敗，或因缺乏對倉庫的整體理解而偏離核心算法。相比之下，RepoMaster憑借其結(jié)構(gòu)化分析能力，迅速鎖定了關(guān)鍵組件，高效地完成了任務(wù)，直觀地展示了其在解決真實世界復(fù)雜問題上的優(yōu)勢。

04

結(jié)論與展望

RepoMaster的提出，不僅是性能指標(biāo)上的突破，更重要的是，它為AI智能體如何有效利用龐大的人類代碼遺產(chǎn)庫指明了一條清晰可行的道路。它證明了將開源倉庫被有效利用后能被視為可組合、可復(fù)用的“工具”，而非從零開始的“負(fù)擔(dān)”，是解決復(fù)雜現(xiàn)實世界任務(wù)的強大范式。

未來，RepoMaster的設(shè)計理念有望推動一個更具可持續(xù)性和協(xié)作性的AI-for-code生態(tài)系統(tǒng)，為實現(xiàn)多項目的大規(guī)模協(xié)同、軟件缺陷的自動化修復(fù)，乃至向硬件描述語言、機器人中間件等領(lǐng)域的遷移奠定基礎(chǔ)。通過讓AI智能體真正學(xué)會“站在巨人的肩膀上”，RepoMaster正在加速人機協(xié)作的良性循環(huán)，推動整個開源世界的持續(xù)創(chuàng)新與進(jìn)步。

關(guān)于 QuantaAlpha
?QuantaAlpha 成立于 2025 年 4 月，由來自清華、北大、中科院、CMU、港科大、中科大等學(xué)校的教授、博士后、博士與碩士組成。我們的使命是探索智能的“量子”世界，引領(lǐng)智能體研究的“阿爾法”前沿 —— 從CodeAgent到自進(jìn)化智能，再到金融、醫(yī)療等跨領(lǐng)域?qū)Ｓ弥悄荏w，致力于重塑人工智能的邊界。

? 2025 年，我們將在CodeAgent（真實世界任務(wù)的端到端自主執(zhí)行）、DeepResearch、Agentic Reasoning/Agentic RL、自進(jìn)化與協(xié)同學(xué)習(xí)等方向持續(xù)產(chǎn)出高質(zhì)量研究成果，歡迎對我們方向感興趣的同學(xué)加入我們！

團(tuán)隊主頁：https://quantaalpha.github.io/

未經(jīng)「AI科技評論」授權(quán)，嚴(yán)禁以任何方式在網(wǎng)頁、論壇、社區(qū)進(jìn)行轉(zhuǎn)載！

公眾號轉(zhuǎn)載請先在「AI科技評論」后臺留言取得授權(quán)，轉(zhuǎn)載時需標(biāo)注來源并插入本公眾號名片。