SWE-agent/mini-swe-agent
The 100 line AI agent that solves GitHub issues or helps you in your command line. Radically simple, no huge configs, no giant monorepo—but scores >74% on SWE-bench verified!
Python · ★ 9,443 · Fork 1,302 · 在 GitHub 查看
在手机上浏览源码、订阅每日 AI 趋势日报与项目架构深度解读:获取 CopoHub 客户端(iOS & HarmonyOS)→
GitHub Trending 上榜记录
SWE-agent/mini-swe-agent 已在 GitHub Trending 每日榜单上榜 1 天,最高排名第 34,首次上榜 2026-11-09,最近一次上榜 2026-11-09。
| 日期 | 排名 | Star | 当日增长 |
|---|---|---|---|
| 2026-11-09 | #34 | 9,443 | +86 |
同期上榜的项目
- anthropics/skills – Public repository for Agent Skills
- meta/astryx – An open source design system that's fully customizable and agent ready
- sherlock-project/sherlock – Hunt down social media accounts by username across social networks
- google-deepmind/mujoco – Multi-Joint dynamics with Contact. A general purpose physics simulator.
- anthropics/claude-quickstarts – A collection of projects designed to help developers quickly get started with building deployable applications using the Claude API
- garrytan/gbrain – Garry's Opinionated OpenClaw/Hermes Agent Brain
mini-swe-agent 项目深度剖析与商业评估报告
mini-swe-agent 项目深度剖析与商业评估报告
1. 核心定位与商业落地价值
1.1 根本痛点:Agent 脚手架的过度工程化(Scaffold Bloat) 在 2023–2024 年的代码生成与软件工程 Agent 浪潮中,业界普遍陷入了“重脚手架、重抽象工具链”的设计误区。早期的代表作(包括初代 SWE-agent、MetaGPT、AutoGPT 等)引入了极其复杂的 Agent-Computer Interfaces (ACI)、自定义 DSL、多步规划图模型(Graph-based DAGs)以及脆弱的长连接交互式 Shell(PTY)会话管理。
随着底层基础模型(Frontier LLMs)代码理解与原生系统调用能力的跃升,这种重型架构显露出致命缺陷: 1. 上下文污染与 Token 浪费:复杂的 JSON Schema、工具声明和冗长的格式解析指令挤占了宝贵的上下文窗口。 2. 状态维护脆弱:依赖有状态 Shell 容易因输出缓冲阻塞(Buffer Deadlock)、未闭合子进程或交互式确认提示导致任务挂起。 3. 训练-推理脱节(Inference-Training Discrepancy):复杂的内部调度逻辑使得将运行时 Trajectory(轨迹数据)无损回流到 LLM 进行 SFT(监督微调)或 RL(强化学习)变得极度困难。
mini-swe-agent 的核心定位是对上述范式的极简主义重构。它验证了一个关键技术假设:仅需约 100 行 Python 核心循环,直接暴露原生 Bash 接口,配合线性历史追加机制,即可在 SWE-bench Verified 上实现 >74% 的 SOTA 级求解率。
1.2 企业级落地场景 自动化研发流水线(Self-healing CI/CD):作为 GitHub Actions 或 GitLab CI 的 Worker,在单元测试失败或依赖冲突时,自动检索代码、复现 Bug、生成补丁并提交 PR。 低成本模型评估与基准对齐(Benchmarking Harness):企业训练垂直领域编程大模型时,用于高通量评测模型纯粹的代码解决能力(消除框架偏差),如 Ramp SWE-bench 和 DeepSWE 所采用的评测底座。 数据工程飞轮(RL & SFT Synthetic Data Generation):通过大规模批处理执行 GitHub Issues,低成本合成高纯度、结构无损的“推理-执行-纠错”全生命周期轨迹。 本地工程师安全 CLI 辅助:作为轻量级本地终端伴侣,替代臃肿且具有商业锁定的商业闭源 Agent(如 Claude Code、Cursor Agent 模式)。
1.3 竞品差异化与商业护城河 | 维度 | mini-swe-agent | 传统 SWE-agent | Claude Code / Cursor Agent | LangGraph / AutoGen 生态 | | :--- | :--- | :--- | :--- | :--- | | 代码体积 | 核心类 ~100 行 | 数千行配置与运行时 | 商业闭源二进制 | 数万行框架级代码 | | 工具抽象 | 纯 Bash(无额外工具声明) | 专有 ACI(编辑/检索特定指令) | 闭源专用工具集 | 函数级 Tool-calling / JSON Schema | | 执行环境 | 无状态 subprocess / 沙箱 | 有状态会话(Stateful PTY) | 本地守护进程 | 容器化或本地 Python 运行态 | | 模型无关性| 极高(仅需纯文本/补全能力) | 中(需适配特定 ACI 格式) | 绑定 Anthropic 系列模型 | 依赖 Function Calling 协议 | | 启动与维护| 毫秒级冷启动,零配置地狱 | 配置复杂,环境依赖深 | 依赖专有分发渠道 | 框架抽象层极厚,调试链路深 |
其核心护城河在于极简架构带来的极低迁移成本与普适性,以及普林斯顿与斯坦福 SWE-bench 官方团队的基准定义权背书。
在 README 中展示上榜徽章
[](https://github.fq6825.top/repo/SWE-agent/mini-swe-agent)