SWE-smith 是一个用于训练 SWE-agents（软件工程师智能体） 的工具包。您可以：

• 将任何 GitHub 仓库转化为 SWE-gym（软件工程环境）。
• 为该仓库创建无限的任务（例如，文件定位、程序修复、SWE-bench）。
• 训练一个 LM（语言模型）以成为更优秀的 SWE（软件工程师）(SWE-agent-LM-32B)。

⚒️ 构建环境

如果您有兴趣将 GitHub 仓库转化为 SWE-gym，请从 源代码 安装该软件包。

[!TIP] SWE-smith 需要 Docker 来创建执行环境。SWE-smith 是在 Ubuntu 22.04.4 LTS 上开发和测试的。 我们不计划支持 Windows 或 MacOS。

然后您可以通过以下方式构建该仓库的数据集...

1. 创建环境
2. 合成任务实例
3. 保留破坏 1+ 单元测试的任务
4. 为您的任务生成问题文本

🏋️ 训练 SWE-agents

使用 SWE-smith 数据集 训练 SWE-agents 非常简单。

from swesmith.profiles import registry
from datasets import load_dataset
ds = load_dataset("SWE-bench/SWE-smith", split="train") # Loads all 52k task instances
for task in ds:
    rp = registry.get_from_inst(task)  # Get the RepoProfile for the task
    container = rp.get_container(task) # Returns pointer to a Docker container with the task initialized

    """TODO: Train!"""

SWE-smith 已被用于

• 使用 SWE-agent 微调 Qwen 2.5 Coder 至 SWE-agent-LM-32B（在 SWE-bench Verified 上提升 +32%！）[教程]
• 使用 SkyRL 进行 GRPO 风格的强化学习

💿 资源

• 52k 任务实例
• SWE-agent-LM-32B；在 SWE-bench Verified 上 40.2% pass@1！
• 26k SWE-agent 轨迹，包括 SWE-agent-LM-32B 训练的 5k 数据。
• 250+ 环境，每个 SWE-smith 中代表的仓库对应一个 Docker 镜像。

还有更多即将推出！

💫 贡献

我们正在积极开发多个后续项目！ 查看 贡献指南 了解更多。

联系人：John Yang，Kilian Lieret (邮箱：johnby@stanford.edu)

🪪 许可证

MIT。查看 LICENSE 获取更多信息。

✍️ 引用

@inproceedings{yang2025swesmith,
  title={SWE-smith: Scaling Data for Software Engineering Agents}, 
  author={John Yang and Kilian Lieret and Carlos E. Jimenez and Alexander Wettig and Kabir Khandpur and Yanzhe Zhang and Binyuan Hui and Ofir Press and Ludwig Schmidt and Diyi Yang},
  booktitle = {Proceedings of the 39th Annual Conference on Neural Information Processing Systems (NeurIPS 2025 D&B Spotlight)},
  year={2025},
  eprint={2504.21798},
  archivePrefix={arXiv},
  primaryClass={cs.SE},
  url={https://arxiv.org/abs/2504.21798},
  note={arXiv:2504.21798, accepted at NeurIPS 2025 (Spotlight)}
}

📕 我们的其他项目

           

SWE-smith 快速上手指南

SWE-smith 是一个用于训练 SWE-agents 的工具包。它可以将任何 GitHub 仓库转化为 SWE-gym，创建无限数量的任务（如文件定位、程序修复），并训练语言模型成为更优秀的软件工程师代理。

1. 环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统: 推荐使用 Ubuntu 22.04.4 LTS。
  • 注意：官方明确表示暂不支持 Windows 或 MacOS。
• Python 版本: 需要 Python 3.10+。
• 核心依赖: 必须安装 Docker，因为 SWE-smith 依赖 Docker 来创建执行环境。

2. 安装步骤

您可以通过 PyPI 直接安装该工具包，也可以从源码进行安装。

# 推荐方式：通过 pip 安装
pip install swesmith

# 或者从源码安装（如需参与开发或获取最新功能）
git clone https://github.com/SWE-bench/SWE-smith.git
cd SWE-smith
pip install -e .

3. 基本使用

构建数据集流程

若要将 GitHub 仓库转化为 SWE-gym 并构建数据集，请遵循以下步骤：

1. 创建环境
2. 合成任务实例
3. 保留破坏 1+ 单元测试的任务
4. 为任务生成问题文本

训练 SWE-agent 示例

使用 SWE-smith 数据集训练 SWE-agent 非常简单。以下是加载数据集并初始化容器的基础代码示例：

from swesmith.profiles import registry
from datasets import load_dataset
ds = load_dataset("SWE-bench/SWE-smith", split="train") # Loads all 52k task instances
for task in ds:
    rp = registry.get_from_inst(task)  # Get the RepoProfile for the task
    container = rp.get_container(task) # Returns pointer to a Docker container with the task initialized

    """TODO: Train!"""

资源链接

• 数据集: 52k Task Instances
• 预训练模型: SWE-agent-LM-32B
• 轨迹数据: 26k SWE-agent Trajectories