热点追踪|美女拉屎无遮挡㊙️网站_社会新闻

首页 >新闻 >社会新闻

迫近Claude 3.5、本钱降低86%，开源代码定位新神器LocAgent来了

2025-06-04 09:07:17

来源：

猫眼影戏

作者：

骆安生

手机检察

　　猫眼影戏记者张通荣报道w3u7903ejky2ywls

又是一个让程序员狂欢的研究！来自 OpenHands、耶鲁、南加大和斯坦福的研究团队刚刚宣布了LocAgent—— 一个专门用于代码定位的图索引 LLM Agent 框架，直接把代码定位准确率拉到了 92.7% 的新高度。该研究已被 ACL 2025 录用。

论文题目：LocAgent: Graph-Guided LLM Agents for Code Localization论文链接：https://arxiv.org/abs/2503.09089代码链接：https://github.com/gersteinlab/LocAgent

一、痛点很真实：代码定位究竟有多灾？

相信每个程序员都有过这样的经历：看到一个 bug 报告，满脸问号地想「这究竟要改哪里？」。古板要领要么靠要害词匹配（太粗糙），要么直接把整个代码库丢给 LLMs（太低效），要么让 Agent 盲目遍历目录（太鸠拙）。

问题的焦点在于：自然语言描述的问题和真正需要修复的代码位置之间，往往隔着好几层挪用关系。好比用户反响「XSS 漏洞」，但实际需要修改的可能是某个深层的验证工具函数。

换言之，代码定位指的是在大型代码库中精确找到需要修改的代码位置，在软件开发与维护中，准确地定位代码问题是提高开发效率的要害（图 1 展示了四种常见的代码修复场景）。

图 1：给定一个代码库（左）和问题描述（中，包括四种场景的示例），代码定位需要识别出需要修改的相关代码位置（右），包括具体的文件、类和函数。LocAgent 旨在让 LLM Agent 自动完成这一历程。

自然语言中的问题描述（如过失报告）往往与真正的故障根因保存显著的语义差别与结构距离（如图 2 所示）。这不但要求模型能够深入理解自然语言编写的过失报告，还需具备在庞大代码库中跨越层级结构和庞大依赖关系进行推理和追踪的能力。

图 2: 图中红色节点体现问题描述中明确提及的函数，黄色节点体现实际需要修改（修补）的函数。任务难度界说为代码图中从提及函数到目标修补函数之间的最短路径长度（最少跳数），图示例中任务难度为 2 跳。

二、LocAgent：给 LLM 装上「代码地图」

该研究团队的解决计划相当巧妙：首先他们把整个代码库解析成一张图，包括文件、类、函数之间的包括、挪用、继续、导入关系。然后该团队为 LLM Agent 提供简洁统一的图原语接口，以支持离效探索代码库。该要领通过将代码库解析为异构图体现，让大语言模型能够像使用地图一样高效地在代码中「移动」，实现多跳推理，逐步接近目标代码。

图 3：LocAgent 框架概览

如图 3 所示，LocAgent 首先将代码库解析为一个异构图体现，图中包括多种类型的代码实体及其依赖关系。在此基础上，系统构建了分层稀疏索引，用于支持高效的内容检索与结构化探索。借助这些索引，LocAgent 能够结合图结构与工具接口，执行由 Agent 驱动的逐步搜索历程，精准完成代码定位任务。

2.1 代码体现构建历程

代码图体现构建：为统一体现代码库中的结构与语义信息，LocAgent 基于笼统语法树（AST）对代码库进行解析，构建一个异构有向图作为结构化索引，详细体现了代码目录、文件、类、函数之间的包括、挪用、导入和继续关系，使得隐式依赖显性化，便于 LLM 高效推理。

这种图结构的优势在于：纵然两个代码片段分处差别�？�，只要保存挪用或继续关系，在图上它们就会变得「邻近」。好比，以往基于目录导航的要领会认为远隔两个子目录的�？榫幌喔�，但如果�？� A 函数挪用了�？� B，在 LocAgent 的图中 A 和 B 会通过挪用边直接连接，使它们在该图结构上靠近。关于代码定位任务，这种「邻近」至关重要，因为许多问题不是局限在单个文件夹内部，而是通过挪用链跨越多个�？�。

2.2 提供工具接口供 Agent 盘问

构建好代码图后，LocAgent 提供了统一的工具接口，让 LLM Agent 能够便当土地问图结构和代码内容。主要包括以下三个 API：

SearchEntity：该工具基于条理化实体索引，使用要害词搜索代码库中相关实体。当在上层索引中未能找到匹配项时，系统会自动使用下一层索引进行搜索，从精确匹配到模糊搜索，以查找最接近的匹配项。关于检索到的每个实体，SearchEntity 会返回该代码片段的摘要（如图 4，有折叠级别、预览级别和完整代码三级，可凭据需要展开）。

图 4: 为高效的 Agent 代码交互而设计的差别输特别式示例。

RetrieveEntity：当 Agent 确定了某个代码实体很可能就是目标时，可以用此工具提取该实体的完整信息。当输入实体 ID，RetrieveEntity 输出该实体的文件路径、起止行号、完整代码内容等详细属性。TraverseGraph：该工具在代码图上执行类型感知的广度优先搜索。Agent 可以指定起始的实体 ID，以及希望遍历的偏向、步数（hops）、实体类型和关系类型等参数。工具会在图中从起点出发凭据要求走指定步数，返回遍历到的子图结构。通过设置差别的类型过滤，Agent 可以灵活地探索好比「沿挪用关系向下追踪两步」或「检察从某类出发的继续条理」等等。值得一提的是，TraverseGraph 将返回的子图花样化成一种树状结构文本（见图 5），以便 LLM 更容易理解关系拓扑。

图 5：TraverseGraph 工具输出示例。

2.3 Agent 驱动的推理阶段

LocAgent 在提示设计上接纳了「逐步思考」(Chain-of-Thought, CoT) 的战略，引导 LLM Agent 将代码定位任务剖析为一系列办法，模拟人类调试思路一步步迫近目标。整个问题求解历程可以概括为以下阶段：

问题理解与要害词提�。篈gent 首先对输入的 issue 描述进行剖析，划分出差别方面的信息，然后提取出与问题相关的要害词。这些要害词相当于为后续搜索指明了开端偏向。链接要害词到代码实体：针对每个提取的要害词，Agent 挪用 SearchEntity 工具在代码索引中查找匹配的代码实体。多跳推理，生成故障链路：接下来，Agent 会实验串联线索，从报错表征推导故障原因。它先确定问题触发的初始入口点（例如触发过失的 API 或函数），然后以这些点为起点，在代码图上进行迭代探索：挪用 TraverseGraph 沿挪用关系或依赖关系向相关偏向搜索；用 RetrieveEntity 检察某些要害节点的实现细节；须要时再次 SearchEntity 引入新的要害词。通过多轮交替使用这些工具，Agent 逐步构建起一条从问题症状到潜在根因的逻辑路径。锁定目标代码：在形成对问题的全面理解后，Agent 凭据「故障链路」中袒露的可疑环节，定位出所有可能需要修改的目标代码实体（可能是若干个函数或类）。随后，Agent 对这些候选实体按相关性进行排序输出，并给出它们的文件路径以及简要的原因说明。

整个 LocAgent 的使用对用户来说很是简洁：只需输入自然语言的问题描述， LLM Agent 就会如上所述自主地完成一系列搜索、遍历、读取操作，最后给出代码定位结果。

三、实验结果：真香警告

LocAgent 在真实数据集上的体现和剖析结果令人瞩目。研究中使用了既有的基准数据集（SWE-Bench Lite）以及团队新构建的 Loc-Bench，比照了多种基线要领的代码定位效果。

（1）代码定位效果精彩

SWE-Bench Lite 是从 GitHub issue 中构建的货仓级代码修复数据集，也常用于代码定位评估，包括 300 个问题及其对应的修复代码，其中大部分为 bug 报告�；诟没�，LocAgent 实现了目前最优的代码定位准确率，显著优于现有要领。

相比古板的向量检索要领有显著提升：BM25 在文件级 Acc@5 上仅为 61.7%，而先进的代码嵌入模型如 CodeRankEmbed 也仅抵达 84.7%；而 LocAgent 准确率高达 92.7%，在函数级定位中也同样显著优于这些要领。多步推理的 Agent 类要领整体上胜过基于牢固流程的要领�；诶喂塘鞒痰囊欤ㄈ� Agentless）往往只能依据字面匹配找到有限的候选，而引入了 Agent 逐步探索后，能够考虑更广的规模，定位效果更好。在文件、�？椤⒑隽６壬�，LocAgent 全面逾越了基于 GPT-4o 或 Claude-3.5 的现有 Agent 系统。使用 Claude-3.5 时，LocAgent 在 SWE-Bench Lite 文件级 Acc@5 抵达 94%，在函数级定位上同样优于其他要领。LocAgent 搭配 Qwen2.5-32B (微调) 模型的性能险些与 Claude-3.5 持平：在 SWE-Bench Lite 文件级 Top-5 准确率上，前者为 92.7%，后者约 94.2%，差别很小。而如果使用 Qwen2.5-7B (微调) 小模型，虽然准确率略有下降（约 88.3%，但仍凌驾绝大大都 baseline），其体现已能够迫近 GPT-4o 的效果。

（2）多任务场景下的泛化能力

由于 SWE-Bench Lite 数据集过于偏重 Bug 类型，团队打造了新的Loc-Bench基准，用于全面评估要领在多样化软件维护任务中的定位能力。Loc-Bench 共包括 560 个真实 GitHub issue，笼罩Bug 修复、功效新增、宁静漏洞与性能优化四大类，任务类型越发均衡，贴近实际工程场景。

四、开源福利：小模型也能打

这个研究最让人兴奋的地方在于：开源模型经过微调后，也能抵达商用大模型的效果。他们提供了两个版本，1. Qwen2.5-7B 微调版：性能媲美 GPT-4o，单次处理本钱仅 $0.05；2.Qwen2.5-32B 微调版：迫近 Claude-3.5 水平，本钱节省 86%。这关于需要大规模安排的企业来说，这简直是降本增效的神器。

具体而言，微调的 Qwen2.5-7B 模型，LocAgent 在 Loc-Bench 四类场景下的平均文件级 Acc@5 为76.8%，函数级 Acc@15 为46.9%，已接近 SWE-Agent 搭配 Claude-3.5 的体现（后者函数级约 45.4%）。进一步将 LocAgent 与 Claude-3.5 结合后，文件级平均准确率可提升至81.1%，在四类任务中险些全面逾越其他要领。

五、实际应用：不可是定位，还能助力解决问题

研究团队验证了一个要害点：更准确的代码定位直接提升问题解决率。在 GitHub 问题自动修复任务中，使用 LocAgent 的 Pass@10 乐成率比基线要领提升了 12%。这意味着这项技术不但仅是个「定位工具」，而是能实实在在提升整个软件维护流程效率的利器。

该团队进一步从差别角度展开剖析，探讨其在庞大任务中的稳定性、本钱效率、要害组件作用以及对下游应用的实际价值。

（1）难度分级实验与多跳鲁棒性

为了深入了解 LocAgent 的能力，该团队还凭据任务的难度对性能进行了剖析。该团队将「难度」用代码图上函数距离（hop 数）来权衡：即 Issue 描述中提及的函数与实际需要修改的函数之间的最短路径。直观地说，hop=0 体现 Issue 直接提到了需要改的函数名；hop=1 体现目标函数是 Issue 中提到的函数之间有直接关系，hop 数越大则定位难度越高。

实验发明：随着 hop 数增加，所有要领的定位准确率都在下降。究竟关联越不直观，模型需要推理的链路就越长。不过，差别要领的鲁棒性差别明显：Agent 类要领在高难度下的性能下降幅度明显小于检索类要领。特别是 LocAgent 借助图结构索引，在 hop 数增加时仍能坚持相对较高的准确率，体现出较好的鲁棒性。

相比之下，古板检索要领在需要两跳以上时险些失效，在函数级定位上纵然目标函数名字就泛起在盘问里，有时都找不到（因为它们往往把盘问当做整体，无法拆解处理细节）。

（2）效果与本钱比较

借助结构化图索引与工具挪用，LocAgent 仅需 6～9 轮交互即可完成一次代码定位任务，推理历程高效。别的，该团队利用开源模型取得了媲美商用大模型的结果，同时大幅降低推理本钱，具备实际落地安排的可行性。

具体来看，使用 Claude-3.5 等商用 API 模型时，每个 Issue 的平均处理本钱约为$0.66；而使用外地安排的 Qwen2.5-32B 模型，本钱降至约$0.09，降低了86%。若进一步接纳 7B 的小模型，处理本钱可低至$0.05，仍能坚持优于大大都要领的性能。从函数级准确率与本钱的比值来看，微调后的Qwen-2.5-7B 是性价比最高的计划，其效率优于所有商用模型；Qwen-2.5-32B 次之，也显著优于 Claude-3.5。这标明，结合 LocAgent 框架，开源模型不但具备性能竞争力，更具安排经济性。

（3）应用效果：高质量定位显著提升问题解决率

为评估代码定位在实际软件维护任务中的影响，该团队进一步剖析了 LocAgent 在自动解决 GitHub 问题中的效果。结果标明，随着定位准确率的提升，问题解决乐成率显著提高，说明更精准的定位结果能够显著增强自动化代码修改的质量与稳定性。该发明验证了 LocAgent 不但在定位自己体现优秀，也能有效推动下游任务的整体性能，具备实际工程价值。

六、技术启示：结构化索引 + 智能推理

LocAgent 的乐成揭示了一个重要趋势：从「暴力盘算」到「智能决策」的范式转变。古板要领要么把整个代码库直接丢给 LLM 进行暴力匹配，要么让 Agent 凭据预设规则盲目遍历目录，这些都属于「盘算密集型」的解决计划。而 LocAgent 通过图索引等结构化中间体现，将庞大问题进行结构化剖析，然后让 LLM 担负更高条理的推理和决策任务。

这种「agentic retrieval」范式的焦点在于决策智能化。通过图、树等结构化中间体现，信息变得更易于推理，Agent 能够凭据具体问题动态调解搜索战略，而非死板地遵循预设路径。这代表了从「人工设计种种 RAG pipeline」向「让 AI 自主决策如何检索」的转变。

这种结合结构化索引与 LLM 智能体协同设计的范式，很可能成为未来 AI 工程应用的标准模式。不再是让 LLM 做更多盘算，而是让 LLM 做更智能的决策 - 程序员的 debugging 体验又要迎来一次重大升级了！

??时事1：美女拉屎裸体㊙️视频

??06月04日,中国正能量｜徐丹：纪录片在互联网广泛传播必须具有新媒体特性,

　　“呼……”劲风澎湃，三头幼鸟降落在湖边的绿草地上，一群孩子围了上来，露出惊奇的目光。

,刻晴疯狂❌喷水自慰爽。

??06月04日,新疆克州首批生活物资发往阿合奇县震区,

　　突然，大荒最深处，爆发出一片滔天的火光，炽盛无比，一只鸟鸣惊天动地，倾圯了天穹！

,裸体羞羞视频3D,乣女交ⅩXXX,驲屄影视。

??时事2：护士被涂洒油扒开腿❌

??06月04日,台湾花莲再度发生多起地震,

　　关爱生命，就要求各人注意宁静。在日常生活中，交通宁静总是围绕在我们身边。只要你一出行，便同交通打上了交道。

,动漫被c到爽🔞奶头触手,小舞解开内裤给戴沐白开了,卡夫卡被❌自慰喷水漫画。

??06月04日,AI时代，数字人可以完全替代真人吗？,

　　为了把你们培育成材，老师们支付了巨大的劳动。老师们也是人，也都有头疼脑热的时候，请同学们想一想，我们的老师多麽敬业呀：我们的老师风雨无阻，始终和同学们在一起，历来没有无故缺过一节课。我作为你们的班主任，作为你们的老师，我可以自豪地说，我始终和同学们在一起，摸怕滚打，朝夕与共，我基本对得起班级的每一个同学，对得起我们这个班集体，我做好了导演、配角、观众的角色，实践了我第一次给同学们立下的军令状：严字当头，学习第一，追求卓越，让每个同学都有一个精彩的人生;让平凡的教室洒满阳光，让你们心中都有一片辉煌的阳光，用师者的胸怀去容纳一颗颗年轻的心，用师者的爱心去铸造每个学生的辉煌;捧出一颗心，献出全部情，严在当严处，爱在细微中。

,林书辞作品大全免费观看,羞羞动漫在线看❤免费软件,动漫❌c🐻黄扒衣服做妓女。

??时事3：JoeJonas穿内裤上街

??06月04日,云南出台促外贸资金管理办法鼓励“买周边到全国、卖全国到周边”,

　　为了配合把我们的培训班办妥，使各人在有限的时间内掌握较为富厚的内容，真正学有所获，回去以后学有所用。我希望列位老师和事情人员要吃透两头，既能吃透上情，深刻领会本次培训的中心思想，又能吃透下情，紧密结合农村经济和社会生长的实际，精心备课，认真讲课，力争把每节课都讲得十分精彩，讲得差别凡响。与此同时，我向同志们提几点具体要求：

,女裸全身无内衣内裤,崩铁3D黄漫❌18禁动漫,51无敌男同免费观看大全。

??06月04日,【两会30秒】文旅部部长回应博物馆预约难问题,

　　开展了坚持共产先进性教育运动，共有个下层党组织，名加入了先进性教育运动，通过先进性教育，增强了党组织的凝聚力和战斗力，充分发挥的先锋模范作用，增进了建设事业各项事情的全面生长。并结合坚持共产先进性教育运动，进一步增强领导班子和下层党组织建设，做好目标治理事情�？沟撤缌ㄉ�，认真落实党风廉政责任制，增强了宽大干部拒腐防变和抵御危害的能力。

,红太狼被小灰灰肉本子H,唐舞桐被❌到高潮2天2夜,少女的惩罚游戏2.0版本更新内容。

??时事4：裸体惩罚拍击打屁股视频

??06月04日,王毅：中国已成为动荡世界中的稳定力量、合作力量、进步力量,

　　20xx年是中央提出新型城镇化建设的开局之年，能否开好局、起好步，对今后的城镇化建设至关重要。今年要重点抓好以下五个方面的事情。

,动漫的裸体㊙️免费看,赵露思张开双腿让人搔,麻豆国产AV精品一区。

??06月04日,广东制造向上突围,

　　第二祖地，地处古国边疆，一片蛮荒与苦寒，距离真正的祖地其实并不远了，只有三十万里，显然当年的石族人一直在寻根。

,麻豆明星ai换脸视频,4i小狗抖m,女军妓女一级毛片视频下载软件。

【国家防总同时启动防汛、抗旱四级应急响应】

【国台办：“宝总到宝岛”，两岸同胞喜闻乐见】

责编：凯拉

审核：丁默村

责编：周晓忠

凯发天生赢家一触即发首页

迫近Claude 3.5、本钱降低86%，开源代码定位新神器LocAgent来了