SWE-AF

基于 AgentField 构建的自主工程团队运行时

读音： "swee-AF" (单字)

一次 API 调用 → 完整的工程团队 → 交付代码。

快速开始 • 为什么选择 SWE-AF • 实际应用 • 工厂控制 • 基准测试 • 模式 • API • 架构

通过一次 API 调用，即可启动一个完整的自主工程团队（包括产品经理、架构师、编码员、审查员和测试人员），他们负责端到端的复杂软件范围界定、构建、适配和交付。 SWE-AF 是迈向自主软件工程工厂的第一步，可从简单的目标扩展到涉及数百甚至数千次 Agent 调用的复杂多问题程序。

一键调用开发体验 (DX)

curl -X POST http://localhost:8080/api/v1/execute/async/swe-planner.build \
  -H "Content-Type: application/json" \
  -d @- 

衡量方法

吞吐量对比衡量了不同的执行模型：CPython 子进程生成（每次调用约 19ms → 约 52 ops/s）与 RustPython 预热解释器池（进程内）。这是系统构建时为了优化而做出的现实权衡——用持久化池替代重复的子进程调用，以执行短代码片段。

工件跟踪包含了横跨规划、编码、审查、合并和验证的 175 个受跟踪自主 Agent。

详情请参考：examples/llm-rust-python-compiler-sonnet/README.md

为什么选择 SWE-AF

大多数 Agent 框架只是封装了一个简单的编码循环。SWE-AF 则是一个协同工作的工程工厂——规划、执行和治理 Agent 作为控制栈运行，并可进行实时适配。

• 感知难度的执行 —— 简单问题快速通过，困难问题触发更深入的适配和 DAG 级别的重规划，而非盲目重试。
• 工厂架构 —— 不仅仅是单 Agent 包装器。规划、执行和治理 Agent 作为协同控制栈运行——架构编码的是工程策略，而非提示词（参见 智能的原子单位）。
• 多模型、多提供商 —— 为不同角色分配不同的模型（例如 coder: opus, qa: haiku）。支持 Claude、OpenRouter、OpenAI 和 Google。
• 持续学习 —— 当设置 enable_learning=true 时，早期发现的惯例和失败模式将被注入到后续任务中。
• Agent 规模的并行性 —— 依赖级别的调度 + 隔离的 git 工作树，允许大规模并行扩展而不会产生分支冲突。
• 舰队规模的编排 —— 许多 SWE-AF 节点可以通过 AgentField 持续并行运行，从而在并发构建中驱动数千次 Agent 调用。
• 显式权衡跟踪 —— 当范围缩减时，技术债务会被分类、分级并进行传播。
• 长期运行可靠性 —— 检查点执行支持在崩溃或中断后进行 resume_build（恢复构建）。

实际应用

PR #179: Go SDK DID/VC Registration —— 完全由 SWE-AF 构建（使用 Haiku 类模型的 Claude 运行时）。一次 API 调用，零人工代码。

指标	数值
完成的问题	10/10
通过的测试	217
验收标准	34/34
Agent 调用次数	79
模型	claude-haiku-4-5
总成本	$19.23

各 Agent 角色的成本拆解

角色	成本	%
编码员 (Coder)	$5.88	30.6%
代码审查员 (Code Reviewer)	$3.48	18.1%
质量保证 (QA)	$1.78	9.2%
GitHub PR	$1.66	8.6%
集成测试员 (Integration Tester)	$1.59	8.3%
合并员 (Merger)	$1.2