SWE-agent — исправление кода

Разверните SWE-agent на Clore.ai — автоматизируйте решение задач GitHub и задачи инженерии программного обеспечения с помощью AI-агентов с Docker-песочницей, поддерживающих Claude, GPT-4 и открытые LLM.

Обзор

SWE-agent — это агент по разработке программного обеспечения с ИИ, который автоматически решает проблемы GitHub позволяя языковой модели взаимодействовать с репозиторием через терминальный интерфейс. Представлено на NeurIPS 2024 и с более чем 15 000 звёзд на GitHub, SWE-agent стал ведущим open-source решением для автоматического исправления ошибок и ремонта кода.

В отличие от большинства инструментов в этой документации, SWE-agent не требует GPU — он вызывает внешние API больших языковых моделей (Claude, GPT-4, Gemini или самохостимые модели), чтобы рассуждать о коде и генерировать исправления. Что ему нужно, это надёжная среда Docker для безопасного выполнения кода в песочнице. CPU-серверы Clore.ai (или любой арендованный инстанс с Docker) идеально подходят.

Ключевые особенности:

• 🐛 Автоматическое решение issues на GitHub одной командой

• 🔒 Выполнение в песочнице внутри Docker-контейнеров — безопасно запускать произвольный код

• 🤖 Поддерживает Claude, GPT-4, Gemini, совместимые с OpenAI и локальные модели

• 🌐 Веб-интерфейс для мониторинга прогресса агента

• 🛡️ Режим кибербезопасности для CTF-задач и пентестинга

• 📊 Совместим с SWE-bench — протестировано на более чем 300 реальных задачах GitHub

• 🔧 Конфигурируемое поведение агента через YAML-файлы конфигурации

---

Требования

Требования к аппаратному обеспечению

SWE-agent не требует GPU — он использует LLM по API для рассуждений:

Тариф	CPU	ОЗУ	Хранилище	Clore.ai Цена
Минимум	4 ядра	8 ГБ	30 ГБ SSD	~$0.03/час
Рекомендуется	8 ядер	16 ГБ	60 ГБ SSD	~$0.06/час
Интенсивные нагрузки	16 ядер	32 ГБ	100 ГБ SSD	~$0.10/час
С локальной LLM	GPU-сервер	32 ГБ	100 ГБ SSD	≈ $0.20/ч

💡 Совет по стоимости: SWE-agent необычно дешев в эксплуатации на Clore.ai, так как GPU не обязательны. Основная статья расходов — вызовы LLM API (например, Claude Sonnet стоит примерно $0.003 за 1K токенов). Типичное исправление issue стоит $0.50–$2.00 в виде API-оплат.

Требования к ПО и API

Требование	Детали
Docker	Необходимо для выполнения кода в песочнице
Ключ LLM API	Anthropic, OpenAI, Google или самохостимый
Токен GitHub	Для доступа к приватным репозиториям и создания PR
Python 3.11+	Для pip install sweagent метод

Справка по ценообразованию LLM API

Модель	Вход	Выход	Типичная стоимость запуска
Claude Sonnet 4	$3/млн токенов	$15/млн токенов	~$1.00–$2.00
GPT-4o	$5/млн токенов	$15/млн токенов	~$1.00–$3.00
GPT-4o mini	$0.15/млн токенов	$0.60/млн токенов	~$0.05–$0.20
Ollama (локально)	Бесплатно	Бесплатно	Только почасовая оплата Clore.ai

---

Быстрый старт

Шаг 1 — Арендуйте сервер на Clore.ai

1. Войдите в систему в clore.ai

2. Фильтр: С поддержкой Docker — GPU опционален (подойдёт CPU-сервер)

3. Рекомендуемый образ: ubuntu:22.04 или любой образ с поддержкой Docker

4. Открытые порты: 22 (SSH), 7860 (веб-интерфейс SWE-agent)

5. Рекомендуется минимум 16 ГБ RAM для запуска Docker-in-Docker

Шаг 2 — Подключитесь по SSH

ssh -p <CLORE_SSH_PORT> root@<CLORE_SERVER_IP>

# Убедитесь, что Docker доступен
docker --version
docker run --rm hello-world

Шаг 3 — Загрузите Docker-образ SWE-agent

# Загрузите официальный образ SWE-agent (предсобранный, рекомендуется)
docker pull sweagent/swe-agent:latest

# Проверка
docker images | grep sweagent

Альтернативно, соберите из исходников для самой свежей версии разработки:

git clone https://github.com/SWE-agent/SWE-agent.git
cd SWE-agent
docker build -t sweagent/swe-agent:local .

Шаг 4 — Настройте API-ключи

# Создайте каталог для конфигурации SWE-agent
mkdir -p /workspace/sweagent && cd /workspace/sweagent

# Создайте файл окружения с вашими API-ключами
cat > /workspace/sweagent/.env << 'EOF'
# LLM API Keys (добавьте только те, которые у вас есть)
ANTHROPIC_API_KEY=sk-ant-...
OPENAI_API_KEY=sk-...
GOOGLE_API_KEY=...

# Токен GitHub для доступа к репо и создания PR
GITHUB_TOKEN=ghp_...

# Опционально: самохостимый LLM эндпоинт
# OPENAI_BASE_URL=http://your-ollama-server:11434/v1
EOF

chmod 600 /workspace/sweagent/.env

Шаг 5 — Исправьте своё первое issue на GitHub

# Базовое использование — исправить issue на GitHub с Claude Sonnet
docker run --rm \
  --env-file /workspace/sweagent/.env \
  -v /workspace/sweagent/output:/output \
  -v /var/run/docker.sock:/var/run/docker.sock \
  sweagent/swe-agent:latest \
  python run.py \
    --agent.model.name=claude-sonnet-4-20250514 \
    --agent.model.per_instance_cost_limit=2.00 \
    --env.repo.github_url=https://github.com/USER/REPO \
    --problem_statement.github_url=https://github.com/USER/REPO/issues/1 \
    --actions.apply_patch_locally=true \
    --output_dir=/output

Шаг 6 — Просмотрите вывод

# SWE-agent записывает результаты в каталог output
ls -la /workspace/sweagent/output/

# Просмотреть сгенерированный патч
cat /workspace/sweagent/output/*.patch

# Просмотреть полную траекторию агента (что сделал агент)
cat /workspace/sweagent/output/*.traj | python3 -m json.tool | less

---

Конфигурация

Базовый файл конфигурации

Вместо длинных флагов командной строки используйте YAML-конфиг:

cat > /workspace/sweagent/config.yaml << 'EOF'
# Конфигурация SWE-agent
agent:
  model:
    name: claude-sonnet-4-20250514
    per_instance_cost_limit: 2.00
    total_cost_limit: 10.00
    temperature: 0.0
  config:
    # Системный prompt для агента
    system_template: "default"
    # Сколько повторов при ошибках API
    retry_with_output_if_run_fails: true

env:
  repo:
    # Будет задано при запуске
    github_url: ""
  deployment:
    docker_args:
      - "--memory=4g"
      - "--cpus=2"

problem_statement:
  github_url: ""

actions:
  apply_patch_locally: true
  open_pr: false  # Установите в true для автоматического создания PR

output_dir: /output
EOF

# Запуск с файлом конфигурации
docker run --rm \
  --env-file /workspace/sweagent/.env \
  -v /workspace/sweagent/output:/output \
  -v /workspace/sweagent/config.yaml:/config.yaml \
  -v /var/run/docker.sock:/var/run/docker.sock \
  sweagent/swe-agent:latest \
  python run.py \
    --config /config.yaml \
    --env.repo.github_url=https://github.com/USER/REPO \
    --problem_statement.github_url=https://github.com/USER/REPO/issues/42

Веб-режим

SWE-agent включает веб-интерфейс на базе Gradio для интерактивного использования:

# Запустить веб-интерфейс
docker run -d \
  --name sweagent-ui \
  --env-file /workspace/sweagent/.env \
  -p 7860:7860 \
  -v /workspace/sweagent/output:/output \
  -v /var/run/docker.sock:/var/run/docker.sock \
  sweagent/swe-agent:latest \
  python app.py --port 7860 --host 0.0.0.0

# Доступ к UI
echo "Откройте: http://<CLORE_SERVER_IP>:<MAPPED_PORT>"
docker logs -f sweagent-ui

Использование разных провайдеров LLM

# GPT-4o (OpenAI)
docker run --rm \
  --env-file /workspace/sweagent/.env \
  -v /var/run/docker.sock:/var/run/docker.sock \
  -v /workspace/sweagent/output:/output \
  sweagent/swe-agent:latest \
  python run.py \
    --agent.model.name=gpt-4o-2024-11-20 \
    --agent.model.per_instance_cost_limit=3.00 \
    --env.repo.github_url=https://github.com/USER/REPO \
    --problem_statement.github_url=https://github.com/USER/REPO/issues/1

# GPT-4o Mini (вариант для бюджета)
docker run --rm \
  --env-file /workspace/sweagent/.env \
  -v /var/run/docker.sock:/var/run/docker.sock \
  -v /workspace/sweagent/output:/output \
  sweagent/swe-agent:latest \
  python run.py \
    --agent.model.name=gpt-4o-mini-2024-07-18 \
    --agent.model.per_instance_cost_limit=0.50 \
    --env.repo.github_url=https://github.com/USER/REPO \
    --problem_statement.github_url=https://github.com/USER/REPO/issues/1

# Локальный Ollama (в паре с гайдом по Ollama)
# Сначала разверните Ollama на GPU-сервере (см. ../language-models/ollama.md)
# Затем используйте его как бэкенд для SWE-agent:
docker run --rm \
  -e OPENAI_API_KEY=dummy \
  -e OPENAI_BASE_URL=http://<OLLAMA_HOST>:11434/v1 \
  -v /var/run/docker.sock:/var/run/docker.sock \
  -v /workspace/sweagent/output:/output \
  sweagent/swe-agent:latest \
  python run.py \
    --agent.model.name=qwen2.5-coder:32b \
    --agent.model.per_instance_cost_limit=0.00 \
    --env.repo.github_url=https://github.com/USER/REPO \
    --problem_statement.github_url=https://github.com/USER/REPO/issues/1

Пакетная обработка нескольких issues

# Обработайте несколько issue в формате SWE-bench
cat > /workspace/sweagent/batch_issues.json << 'EOF'
[
  {
    "repo": "USER/REPO",
    "issue_number": 1,
    "model": "claude-sonnet-4-20250514"
  },
  {
    "repo": "USER/REPO",
    "issue_number": 2,
    "model": "claude-sonnet-4-20250514"
  }
]
EOF

# Скрипт для пакетного запуска
cat > /workspace/sweagent/run_batch.sh << 'BASH'
#!/bin/bash
set -e

ISSUES_FILE="${1:-/workspace/sweagent/batch_issues.json}"
OUTPUT_DIR="/workspace/sweagent/output"
ENV_FILE="/workspace/sweagent/.env"

echo "Запуск пакетного выполнения SWE-agent..."
python3 -c "
import json
issues = json.load(open('$ISSUES_FILE'))
for i, issue in enumerate(issues):
    print(f'Issue {i+1}/{len(issues)}: {issue[\"repo\"]}#{issue[\"issue_number\"]}')
" 

jq -c '.[]' "$ISSUES_FILE" | while read issue; do
    REPO=$(echo "$issue" | jq -r '.repo')
    ISSUE_NUM=$(echo "$issue" | jq -r '.issue_number')
    MODEL=$(echo "$issue" | jq -r '.model')

    echo "=== Обработка: $REPO#$ISSUE_NUM с $MODEL ==="
    
    docker run --rm \
      --env-file "$ENV_FILE" \
      -v "$OUTPUT_DIR:/output" \
      -v /var/run/docker.sock:/var/run/docker.sock \
      sweagent/swe-agent:latest \
      python run.py \
        --agent.model.name="$MODEL" \
        --agent.model.per_instance_cost_limit=2.00 \
        --env.repo.github_url="https://github.com/$REPO" \
        --problem_statement.github_url="https://github.com/$REPO/issues/$ISSUE_NUM" \
        --output_dir=/output || echo "FAILED: $REPO#$ISSUE_NUM"
done

echo "Пакетная обработка завершена. Результаты в $OUTPUT_DIR"
BASH

chmod +x /workspace/sweagent/run_batch.sh
/workspace/sweagent/run_batch.sh

---

Настройка Docker-in-Docker

SWE-agent запускает код в вложенных Docker-контейнерах для безопасности. Это требует доступа к Docker-сокету:

# Убедитесь, что Docker-сокет доступен
ls -la /var/run/docker.sock

# Проверьте, что Docker-in-Docker работает
docker run --rm \
  -v /var/run/docker.sock:/var/run/docker.sock \
  docker:latest docker run --rm hello-world

# SWE-agent автоматически загрузит свой образ песочницы
# По умолчанию песочница: sweagent/swe-agent:latest (или специализированный образ окружения)

Вопросы безопасности

# Ограничения ресурсов песочницы SWE-agent (настраиваются в YAML)
cat >> /workspace/sweagent/config.yaml << 'EOF'
env:
  deployment:
    docker_args:
      - "--memory=4g"          # Ограничить RAM песочницы
      - "--cpus=2"             # Ограничить CPU песочницы
      - "--network=bridge"     # Изолированная сеть
      - "--read-only"          # Файловая система только для чтения (с исключениями)
      - "--tmpfs=/tmp:size=1g" # Записываемый только /tmp
EOF

# Никогда не запускайте SWE-agent непосредственно на хосте — всегда используйте Docker
# Контейнер песочницы изолирует потенциально вредоносный код

Использование предсобранного образа окружения

# SWE-agent поддерживает кастомные образы окружения для каждого репозитория
# Это ускоряет запуски за счёт предустановки зависимостей
cat > /workspace/sweagent/env-config.yaml << 'EOF'
env:
  deployment:
    image: sweagent/swe-agent:latest
    pre_install:
      - "pip install -e ."
      - "pip install pytest"
    post_clone:
      - "git config --global user.email '[email protected]'"
      - "git config --global user.name 'SWE-agent'"
EOF

---

Подсказки и лучшие практики

🎯 Как правильно формулировать проблему

Качество исправления SWE-agent во многом зависит от описания issue:

# Метод 1: Используйте URL issue на GitHub (рекомендуется)
--problem_statement.github_url=https://github.com/USER/REPO/issues/42

# Метод 2: Предоставьте текстовый файл с подробным описанием
cat > /workspace/sweagent/issue.txt << 'EOF'
## Описание бага
Функция `calculate_total()` в `billing/calculator.py` возвращает 0 
когда скидка точно равна 100%. 

## Шаги для воспроизведения
```python
total = calculate_total(price=100, discount=100)
assert total == 0  # Это падает, возвращает 100 вместо 0

Ожидаемое поведение

Должна возвращать 0, когда скидка 100%.

Соответствующий код

См. billing/calculator.py строки 45-67. EOF

docker run --rm --env-file /workspace/sweagent/.env -v /workspace/sweagent/output:/output -v /workspace/sweagent/issue.txt:/issue.txt -v /var/run/docker.sock:/var/run/docker.sock sweagent/swe-agent:latest python run.py --agent.model.name=claude-sonnet-4-20250514 --env.repo.github_url=https://github.com/USER/REPO --problem_statement.text_file=/issue.txt

### 💰 Контроль затрат

```bash
# Всегда указывайте лимиты по стоимости на инстанс
--agent.model.per_instance_cost_limit=2.00  # Макс $2 за issue

# Используйте GPT-4o mini для первичной триажной обработки, Claude для сложных исправлений
# Стратегия бюджета: ~$0.10 на сканирование, ~$1.50 на исправление

# Мониторьте расходы в реальном времени
docker logs -f sweagent-ui | grep -E "(cost|tokens|spent)"

# Установите общий бюджет на все запуски
--agent.model.total_cost_limit=20.00  # Остановить все запуски после $20

🔄 Автоматическое создание PR

# Автоматически создать pull request с исправлением
docker run --rm \
  --env-file /workspace/sweagent/.env \
  -v /var/run/docker.sock:/var/run/docker.sock \
  -v /workspace/sweagent/output:/output \
  sweagent/swe-agent:latest \
  python run.py \
    --agent.model.name=claude-sonnet-4-20250514 \
    --agent.model.per_instance_cost_limit=2.00 \
    --env.repo.github_url=https://github.com/USER/REPO \
    --problem_statement.github_url=https://github.com/USER/REPO/issues/42 \
    --actions.open_pr=true \
    --actions.push_gh_repo_url=https://github.com/USER/REPO

📊 Оценка на SWE-bench

# Запустите SWE-agent на официальном бенчмарке SWE-bench
docker run --rm \
  --env-file /workspace/sweagent/.env \
  -v /var/run/docker.sock:/var/run/docker.sock \
  -v /workspace/sweagent/output:/output \
  sweagent/swe-agent:latest \
  python run_batch.py \
    --agent.model.name=claude-sonnet-4-20250514 \
    --env.repo.github_url=https://github.com/USER/REPO \
    --instances.type=swe_bench \
    --instances.subset=lite \
    --instances.split=test \
    --output_dir=/output \
    --num_workers=4

🛡️ Режим кибербезопасности

# SWE-agent поддерживает CTF и задачи по кибербезопасности
docker run --rm \
  --env-file /workspace/sweagent/.env \
  -v /var/run/docker.sock:/var/run/docker.sock \
  -v /workspace/sweagent/output:/output \
  sweagent/swe-agent:latest \
  python run.py \
    --agent.model.name=claude-sonnet-4-20250514 \
    --agent.config=config/default_from_url_ctf.yaml \
    --env.deployment.image=sweagent/ctf-env:latest \
    --problem_statement.text="Найдите флаг в запущенном веб-сервисе по адресу http://challenge.local:8080" \
    --output_dir=/output

---

Устранение неполадок

Отказ в доступе к Docker-сокету

# Ошибка: отказано в доступе при попытке подключения к Docker-демону
# Решение: убедитесь, что Docker-сокет правильно примонтирован

docker run --rm \
  -v /var/run/docker.sock:/var/run/docker.sock \
  sweagent/swe-agent:latest \
  docker ps

# Если вы видите ошибки прав, проверьте права сокета
ls -la /var/run/docker.sock
# Должно быть: srw-rw---- root docker

# Добавьте текущего пользователя в группу docker (если вы не root)
usermod -aG docker $USER
newgrp docker

Ошибки с API-ключами

# Проверьте, что ваш API-ключ задан корректно
docker run --rm \
  --env-file /workspace/sweagent/.env \
  sweagent/swe-agent:latest \
  python -c "
import os
keys = ['ANTHROPIC_API_KEY', 'OPENAI_API_KEY', 'GITHUB_TOKEN']
for k in keys:
    val = os.environ.get(k, 'NOT SET')
    masked = val[:8] + '...' if len(val) > 8 else val
    print(f'{k}: {masked}')
"

# Протестируйте ключ Anthropic API
curl https://api.anthropic.com/v1/models \
  -H "x-api-key: $ANTHROPIC_API_KEY" \
  -H "anthropic-version: 2023-06-01"

Агент застрял в цикле

# У SWE-agent есть встроенный лимит шагов (по умолчанию ~100 шагов)
# Увеличьте или уменьшите через конфиг:

docker run --rm \
  --env-file /workspace/sweagent/.env \
  -v /var/run/docker.sock:/var/run/docker.sock \
  sweagent/swe-agent:latest \
  python run.py \
    --agent.model.name=claude-sonnet-4-20250514 \
    --agent.model.per_instance_cost_limit=2.00 \
    --agent.max_requeries=5 \
    --env.repo.github_url=https://github.com/USER/REPO \
    --problem_statement.github_url=https://github.com/USER/REPO/issues/1

# Убить зависший запуск
docker ps | grep sweagent
docker stop <container_id>

Недостаточно памяти во время выполнения кода

# Увеличьте лимит памяти песочницы
docker run --rm \
  --env-file /workspace/sweagent/.env \
  -v /var/run/docker.sock:/var/run/docker.sock \
  -v /workspace/sweagent/output:/output \
  sweagent/swe-agent:latest \
  python run.py \
    --agent.model.name=claude-sonnet-4-20250514 \
    --env.deployment.docker_args='["--memory=8g", "--cpus=4"]' \
    --env.repo.github_url=https://github.com/USER/REPO \
    --problem_statement.github_url=https://github.com/USER/REPO/issues/1

# Для больших кодовых баз увеличьте инстанс Clore.ai до 32ГБ RAM

Ограничения по скорости GitHub

# У GitHub API есть лимиты — используйте персональный токен доступа с областью repo
# Проверьте текущий статус лимита
curl -H "Authorization: token $GITHUB_TOKEN" \
  https://api.github.com/rate_limit | jq '.rate'

# Если лимит исчерпан, подождите сброса или используйте другой токен
# Лимит сбрасывается каждый час

---

Дополнительное чтение

• SWE-agent на GitHub — Основной репозиторий и документы

• Документация SWE-agent — Официальная документация

• Статья SWE-agent (NeurIPS 2024) — Научная статья

• Таблица лидеров SWE-bench — Посмотрите, как разные модели показывают себя

• Начало работы с Clore.ai — Основы платформы

• Руководство по сравнению GPU — Если вам нужен GPU для локальных LLM

• Запуск Ollama на Clore.ai — Локальный LLM бэкенд для SWE-agent

• Запуск vLLM на Clore.ai — Сервер локальной LLM с высокой пропускной способностью

• Цены Anthropic API — Стоимость API Claude

• Цены OpenAI API — Стоимость API GPT-4

💡 Идеальное сочетание Clore.ai + SWE-agent: Арендуйте CPU-only сервер (4 ядра, 16 ГБ RAM) примерно за ~$0.05/час, запустите SWE-agent с Claude Sonnet 4 и исправляйте issues на GitHub примерно за $1–2 всего на одно issue (стоимость API) плюс несколько центов за время работы Clore.ai. Для команд с большим количеством задач это обходится значительно дешевле, чем нанимать разработчика для рутинного исправления багов.