[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-OpenAutoCoder--Agentless":3,"tool-OpenAutoCoder--Agentless":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":77,"owner_location":77,"owner_email":77,"owner_twitter":77,"owner_website":77,"owner_url":78,"languages":79,"stars":84,"forks":85,"last_commit_at":86,"license":87,"difficulty_score":23,"env_os":88,"env_gpu":88,"env_ram":88,"env_deps":89,"category_tags":93,"github_topics":94,"view_count":10,"oss_zip_url":77,"oss_zip_packed_at":77,"status":16,"created_at":99,"updated_at":100,"faqs":101,"releases":129},685,"OpenAutoCoder\u002FAgentless","Agentless","Agentless🐱:  an agentless approach to automatically solve software development problems","Agentless 是一个致力于自动解决软件开发问题的开源项目。面对代码缺陷修复这一挑战，它摒弃了传统多智能体协作的复杂架构，采用了一种更为直接的流水线式处理方法。整个流程包含三个核心阶段：首先是精准定位，通过分层策略锁定故障文件与具体代码行；其次是修复生成，针对每个问题采样多个补丁方案；最后是验证筛选，利用回归测试和自动生成的复现用例选出最优解。\n\n凭借这套机制，Agentless 在 SWE-bench Lite 基准测试中取得了开源界领先的修复率，且单问题处理成本极低。它不仅帮助开发者自动化处理重复性 Bug 修复任务，也为研究人员提供了探索大模型软件工程能力的重要参考。如果你关注代码自动化修复或希望降低开发维护成本，Agentless 值得深入体验。其开源特性允许用户基于自身需求进行定制和优化。","# 😺 Agentless\n\n\u003Cp align=\"center\">\n    \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2407.01489\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F📃-Arxiv-b31b1b?style=for-the-badge\">\u003C\u002Fa>\n    \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOpenAutoCoder\u002FAgentless\u002Fblob\u002Fmaster\u002FLICENSE\">\u003Cimg src=\"https:\u002F\u002Fforthebadge.com\u002Fimages\u002Fbadges\u002Flicense-mit.svg\" style=\"height: 28px\">\u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n    \u003Cbig>\u003Ca href=\"#-news\">😽News\u003C\u002Fa>\u003C\u002Fbig> |\n    \u003Cbig>\u003Ca href=\"#-setup\">🐈Setup\u003C\u002Fa>\u003C\u002Fbig> |\n    \u003Cbig>\u003Ca href=\"#-comparison\">🧶Comparison\u003C\u002Fa>\u003C\u002Fbig> | \n    \u003Cbig>\u003Ca href=\"#-artifacts\">🐈‍⬛Artifacts\u003C\u002Fa>\u003C\u002Fbig> |\n    \u003Cbig>\u003Ca href=\"#-citation\">📝Citation\u003C\u002Fa>\u003C\u002Fbig> |\n    \u003Cbig>\u003Ca href=\"#-acknowledgement\">😻Acknowledgement\u003C\u002Fa>\u003C\u002Fbig>\n\u003C\u002Fp>\n\n## 😽 News \n\n- *Dec 2nd, 2024*: We integrated Agentless with Claude 3.5 Sonnet to achieve 40.7% and 50.8% solve rate on SWE-bench lite and verified \n- *Oct 28th, 2024*: We just released OpenAutoCoder-Agentless 1.5! \n- *July 1st, 2024*: We just released OpenAutoCoder-Agentless 1.0! **Agentless** currently is the best open-source approach on SWE-bench lite with 82 fixes (27.3%) and costing on average $0.34 per issue.\n\n## 😺 About \n\n**Agentless** is an *agentless* approach to automatically solve software development problems. To solve each issue, **Agentless** follows a simple three phase process: localization, repair, and patch validation.\n- 🙀 **Localization**: Agentless employs a hierarchical process to first localize the fault to specific files, then to relevant classes or functions, and finally to fine-grained edit locations\n- 😼 **Repair**: Agentless takes the edit locations and samples multiple candidate patches per bug in a simple diff format\n- 😸 **Patch Validation**: Agentless selects the regression tests to run and generates additional reproduction test to reproduce the original error. Using the test results, Agentless re-ranks all remaining patches to selects one to submit\n\n## 🐈 Setup\n\nFirst create the environment \n\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002FOpenAutoCoder\u002FAgentless.git\ncd Agentless\n\nconda create -n agentless python=3.11 \nconda activate agentless\npip install -r requirements.txt\nexport PYTHONPATH=$PYTHONPATH:$(pwd)\n```\n\n\u003Cdetails>\u003Csummary>⏬ Developer Setup\u003C\u002Fsummary>\n\u003Cdiv>\n\n```shell\n# for contribution, please install the pre-commit hook.\npre-commit install  # this allows a more standardized code style\n```\n\n\u003C\u002Fdiv>\n\u003C\u002Fdetails>\n\nThen export your OpenAI API key \n```shell\nexport OPENAI_API_KEY={key_here}\n```\n\nNow you are ready to run **Agentless** on the problems in SWE-bench! \n\n> [!NOTE]\n> \n> To reproduce the full SWE-bench lite experiments and follow our exact setup as described in the paper. Please see this [README](https:\u002F\u002Fgithub.com\u002FOpenAutoCoder\u002FAgentless\u002Fblob\u002Fmain\u002FREADME_swebench.md)\n\n## 🧶 Comparison\n\nBelow shows the comparison graph between **Agentless** and the best open-source agent-based approaches on SWE-bench lite\n\n\u003Cp align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenAutoCoder_Agentless_readme_bd41372408d6.png\" style=\"width:75%; margin-left: auto; margin-right: auto;\">\n\u003C\u002Fp>\n\n## 🐈‍⬛ Artifacts\n\nYou can download the complete artifacts of **Agentless** in our [v1.5.0 release](https:\u002F\u002Fgithub.com\u002FOpenAutoCoder\u002FAgentless\u002Freleases\u002Ftag\u002Fv1.5.0):\n- 🐈‍⬛ agentless_swebench_lite: complete Agentless run on SWE-bench Lite\n- 🐈‍⬛ agentless_swebench_verified: complete Agentless run on SWE-bench Verified\n- 🐈‍⬛ swebench_repo_structure: preprocessed structure information for each SWE-Bench problem\n\nYou can also checkout `classification\u002F` folder to obtain our manual classifications of SWE-bench-lite as well as our filtered SWE-bench-lite-*S* problems.\n\n## 📝 Citation\n\n```bibtex\n@article{agentless,\n  author    = {Xia, Chunqiu Steven and Deng, Yinlin and Dunn, Soren and Zhang, Lingming},\n  title     = {Agentless: Demystifying LLM-based Software Engineering Agents},\n  year      = {2024},\n  journal   = {arXiv preprint},\n}\n```\n\n> [!NOTE]\n> \n> The first two authors contributed equally to this work, with author order determined via [*Nigiri*](https:\u002F\u002Fsenseis.xmp.net\u002F?Nigiri)\n\n## 😻 Acknowledgement \n\n* [SWE-bench](https:\u002F\u002Fwww.swebench.com\u002F)\n* [Aider](https:\u002F\u002Fgithub.com\u002Fpaul-gauthier\u002Faider)\n* [SWE-bench-docker](https:\u002F\u002Fgithub.com\u002Faorwall\u002FSWE-bench-docker)\n","# 😺 Agentless\n\n\u003Cp align=\"center\">\n    \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2407.01489\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F📃-Arxiv-b31b1b?style=for-the-badge\">\u003C\u002Fa>\n    \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOpenAutoCoder\u002FAgentless\u002Fblob\u002Fmaster\u002FLICENSE\">\u003Cimg src=\"https:\u002F\u002Fforthebadge.com\u002Fimages\u002Fbadges\u002Flicense-mit.svg\" style=\"height: 28px\">\u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n    \u003Cbig>\u003Ca href=\"#-news\">😽 新闻\u003C\u002Fa>\u003C\u002Fbig> |\n    \u003Cbig>\u003Ca href=\"#-setup\">🐈 设置\u003C\u002Fa>\u003C\u002Fbig> |\n    \u003Cbig>\u003Ca href=\"#-comparison\">🧶 对比\u003C\u002Fa>\u003C\u002Fbig> | \n    \u003Cbig>\u003Ca href=\"#-artifacts\">🐈‍⬛ 产物\u003C\u002Fa>\u003C\u002Fbig> |\n    \u003Cbig>\u003Ca href=\"#-citation\">📝 引用\u003C\u002Fa>\u003C\u002Fbig> |\n    \u003Cbig>\u003Ca href=\"#-acknowledgement\">😻 致谢\u003C\u002Fa>\u003C\u002Fbig>\n\u003C\u002Fp>\n\n## 😽 新闻 \n\n- *2024 年 12 月 2 日*: 我们将 Agentless 与 Claude 3.5 Sonnet 集成，在 SWE-bench lite 和 Verified 上分别实现了 40.7% 和 50.8% 的解决率\n- *2024 年 10 月 28 日*: 我们刚刚发布了 OpenAutoCoder-Agentless 1.5！\n- *2024 年 7 月 1 日*: 我们刚刚发布了 OpenAutoCoder-Agentless 1.0！**Agentless** 目前在 SWE-bench lite 上是最佳的开源方法，拥有 82 个修复（27.3%），平均每问题成本为 $0.34。\n\n## 😺 关于 \n\n**Agentless** 是一种用于自动解决软件开发问题的 *无代理（agentless）* 方法。为了解决每个问题，**Agentless** 遵循一个简单的三阶段流程：定位（Localization）、修复（Repair）和补丁验证（Patch Validation）。\n- 🙀 **定位（Localization）**：Agentless 采用分层过程，首先将故障定位到具体文件，然后到相关类或函数，最后到细粒度的编辑位置\n- 😼 **修复（Repair）**：Agentless 获取编辑位置，并以简单的 diff 格式为每个错误采样多个候选补丁\n- 😸 **补丁验证（Patch Validation）**：Agentless 选择要运行的回归测试（regression tests），并生成额外的复现测试（reproduction test）以重现原始错误。使用测试结果，Agentless 重新对所有剩余补丁进行排序，选择一个提交\n\n## 🐈 设置\n\n首先创建环境 \n\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002FOpenAutoCoder\u002FAgentless.git\ncd Agentless\n\nconda create -n agentless python=3.11 \nconda activate agentless\npip install -r requirements.txt\nexport PYTHONPATH=$PYTHONPATH:$(pwd)\n```\n\n\u003Cdetails>\u003Csummary>⏬ 开发者设置\u003C\u002Fsummary>\n\u003Cdiv>\n\n```shell\n# for contribution, please install the pre-commit hook.\npre-commit install  # this allows a more standardized code style\n```\n\n\u003C\u002Fdiv>\n\u003C\u002Fdetails>\n\n然后导出你的 OpenAI API 密钥 \n```shell\nexport OPENAI_API_KEY={key_here}\n```\n\n现在你已准备好在 SWE-bench 的问题上运行 **Agentless**！ \n\n> [!NOTE]\n> \n> 若要复现完整的 SWE-bench lite 实验并遵循我们在论文中描述的确切设置，请参阅此 [README](https:\u002F\u002Fgithub.com\u002FOpenAutoCoder\u002FAgentless\u002Fblob\u002Fmain\u002FREADME_swebench.md)\n\n## 🧶 对比\n\n下方展示了 **Agentless** 与 SWE-bench lite 上最佳开源基于代理（agent-based）方法的对比图\n\n\u003Cp align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenAutoCoder_Agentless_readme_bd41372408d6.png\" style=\"width:75%; margin-left: auto; margin-right: auto;\">\n\u003C\u002Fp>\n\n## 🐈‍⬛ 产物\n\n您可以在我们的 [v1.5.0 release](https:\u002F\u002Fgithub.com\u002FOpenAutoCoder\u002FAgentless\u002Freleases\u002Ftag\u002Fv1.5.0) 下载 **Agentless** 的完整产物：\n- 🐈‍⬛ agentless_swebench_lite：SWE-bench Lite 上的完整 Agentless 运行结果\n- 🐈‍⬛ agentless_swebench_verified：SWE-bench Verified 上的完整 Agentless 运行结果\n- 🐈‍⬛ swebench_repo_structure：每个 SWE-Bench 问题的预处理结构信息\n\n您也可以查看 `classification\u002F` 文件夹，获取我们对 SWE-bench-lite 的人工分类以及我们过滤后的 SWE-bench-lite-*S* 问题。\n\n## 📝 引用\n\n```bibtex\n@article{agentless,\n  author    = {Xia, Chunqiu Steven and Deng, Yinlin and Dunn, Soren and Zhang, Lingming},\n  title     = {Agentless: Demystifying LLM-based Software Engineering Agents},\n  year      = {2024},\n  journal   = {arXiv preprint},\n}\n```\n\n> [!NOTE]\n> \n> 前两位作者对本工作贡献同等，作者顺序通过 [*Nigiri*](https:\u002F\u002Fsenseis.xmp.net\u002F?Nigiri) 确定\n\n## 😻 致谢 \n\n* [SWE-bench](https:\u002F\u002Fwww.swebench.com\u002F)\n* [Aider](https:\u002F\u002Fgithub.com\u002Fpaul-gauthier\u002Faider)\n* [SWE-bench-docker](https:\u002F\u002Fgithub.com\u002Faorwall\u002FSWE-bench-docker)","# Agentless 快速上手指南\n\n**Agentless** 是一个开源的自动化软件开发问题解决工具。它采用“无代理”（agentless）架构，通过**定位**、**修复**和**补丁验证**三个阶段自动解决软件问题。目前它是 SWE-bench lite 上表现最佳的开源方案之一。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n- **操作系统**: Linux \u002F macOS \u002F Windows (建议使用 WSL)\n- **Python 版本**: 3.11\n- **包管理器**: Conda (推荐)\n- **外部依赖**: OpenAI API Key (支持集成 Claude 3.5 Sonnet 等模型)\n\n## 安装步骤\n\n1. **克隆项目仓库**\n   ```shell\n   git clone https:\u002F\u002Fgithub.com\u002FOpenAutoCoder\u002FAgentless.git\n   cd Agentless\n   ```\n\n2. **创建并激活 Conda 环境**\n   ```shell\n   conda create -n agentless python=3.11 \n   conda activate agentless\n   ```\n\n3. **安装项目依赖**\n   > 💡 提示：国内网络环境下，建议在 `pip install` 时指定镜像源以提升速度。\n   ```shell\n   pip install -r requirements.txt\n   ```\n\n4. **设置 Python 路径**\n   ```shell\n   export PYTHONPATH=$PYTHONPATH:$(pwd)\n   ```\n\n## 基本使用\n\n完成环境配置后，您只需设置 API 密钥即可开始运行。\n\n1. **配置 API 密钥**\n   将 `{key_here}` 替换为您实际的 OpenAI API Key：\n   ```shell\n   export OPENAI_API_KEY={key_here}\n   ```\n\n2. **执行任务**\n   此时已准备好在 SWE-bench 问题上运行 Agentless。如需复现论文中的完整实验流程或获取具体的运行脚本，请参考项目内的详细文档：[README_swebench.md](https:\u002F\u002Fgithub.com\u002FOpenAutoCoder\u002FAgentless\u002Fblob\u002Fmain\u002FREADME_swebench.md)。\n\n---\n> **开发者提示**：如果您计划参与贡献，建议安装 pre-commit 钩子以保持代码规范。\n> ```shell\n> pre-commit install\n> ```","某中型电商团队正在维护一个复杂的 Python 订单微服务，近期面临大量历史遗留 Bug 需要紧急修复，但人力严重不足。团队急需在保证质量的前提下加速迭代。\n\n### 没有 Agentless 时\n- 资深工程师需耗费大量时间阅读旧代码，手动追踪堆栈信息来定位具体故障点，经常陷入细节泥潭。\n- 编写复现脚本和单元测试极其繁琐，往往因为环境配置问题导致无法稳定复现错误，浪费宝贵工时。\n- 人工修改代码后缺乏自动化验证机制，容易引入新的回归缺陷，上线前需反复人工测试，风险较高。\n\n### 使用 Agentless 后\n- Agentless 通过分层定位策略快速锁定出错的文件、类及函数，将排查效率提升十倍，不再依赖个人经验。\n- 自动生成多种候选补丁方案，开发者只需审核而非从零编写修复代码，平均每个问题仅需 0.34 美元成本。\n- 内置的 Patch Validation 阶段自动筛选测试用例并生成复现脚本，确保修复方案安全有效，减少人工干预。\n\nAgentless 显著降低了软件维护成本，让团队能更高效地交付高质量代码，专注于核心业务逻辑创新。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenAutoCoder_Agentless_8c8a8519.png","OpenAutoCoder","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FOpenAutoCoder_4674222d.png",null,"https:\u002F\u002Fgithub.com\u002FOpenAutoCoder",[80],{"name":81,"color":82,"percentage":83},"Python","#3572A5",100,2031,230,"2026-04-05T08:58:07","MIT","未说明",{"notes":90,"python":91,"dependencies":92},"需使用 Conda 创建名为 agentless 的虚拟环境并指定 Python 3.11；运行前必须导出 OpenAI 或兼容的大模型 API Key；具体依赖库列表位于项目根目录的 requirements.txt 文件中；项目涉及 Docker 容器化测试环境（基于 SWE-bench-docker）；若需复现完整实验，请参考项目中的 README_swebench.md 文档。","3.11",[88],[13,26,15],[95,96,97,98],"agent","artificial-intelligence","llm","software-development","2026-03-27T02:49:30.150509","2026-04-06T05:19:40.679798",[102,107,111,116,120,124],{"id":103,"question_zh":104,"answer_zh":105,"source_url":106},2862,"运行 SWE-Bench 回归测试时出现 `get_logs_eval()` 缺失参数错误怎么办？","该错误通常与 SWE-Bench 的版本兼容性有关。当前仓库中未明确指定推荐的 SWE-Bench 版本，建议检查文档或尝试调整使用的数据集版本以确保兼容。","https:\u002F\u002Fgithub.com\u002FOpenAutoCoder\u002FAgentless\u002Fissues\u002F52",{"id":108,"question_zh":109,"answer_zh":110,"source_url":106},2863,"运行测试时提示 Modal 安装似乎损坏了怎么办？","根据报错信息，这可能与 Modal 环境有关。建议直接发送邮件至 support@modal.com 寻求官方技术支持帮助。",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},2864,"运行代码时因日志文件句柄未释放导致进程卡住或报错怎么办？","这是因为为每个任务创建了独立的 logger 但未及时释放。建议在 Linux 或 WSL 环境下使用 `ulimit` 命令增加文件打开限制。例如在 swe-bench-verified 上最多打开 500 个文件，需确保系统限制足够高。","https:\u002F\u002Fgithub.com\u002FOpenAutoCoder\u002FAgentless\u002Fissues\u002F49",{"id":117,"question_zh":118,"answer_zh":119,"source_url":115},2865,"当 `args.num_samples` 大于 1 时，为什么会出现多次迭代采样？","这是正常的设计行为。当 `args.num_samples` 大于 1 时，程序会将它们视为列表进行遍历，对每个采样的位置集进行检查，确保其至少是有效的。",{"id":121,"question_zh":122,"answer_zh":123,"source_url":115},2866,"调用 merge 功能时出现错误是什么原因？","这通常是因为在只传入 1 个样本的情况下调用了 merge 功能。建议检查运行设置，并按照 README 中的说明来复现结果和配置参数。",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},2867,"本地运行时报错 `ModuleNotFoundError: No module named 'agentless.fl'` 如何解决？","请确保正确设置环境变量 `PYTHONPATH`。在 Windows PowerShell 中，可以使用 `$env:PYTHONPATH=\"C:\\path\\to\\Agentless\"` 命令将项目根目录加入路径，并确保 conda 环境激活后再运行。","https:\u002F\u002Fgithub.com\u002FOpenAutoCoder\u002FAgentless\u002Fissues\u002F36",[130,134],{"id":131,"version":132,"summary_zh":77,"released_at":133},102327,"v1.5.0","2024-10-29T01:59:48",{"id":135,"version":136,"summary_zh":77,"released_at":137},102328,"v0.1.0","2024-07-02T01:21:17"]