学习提交：通过在线存储库内存生成有机拉取请求

基于 大语言模型 (LLM) 的 编码智能体 在受控基准上取得了令人印象深刻的结果，但经常产生实际维护人员拒绝的拉取请求。根本原因不是功能不正确，而是缺乏有机性：生成的代码忽略了特定于项目的约定，重复了内部 API 已经提供的功能，并且违反了多年开发中积累的隐式架构约束。仅仅将代理暴露给最新的存储库快照是不够的：快照揭示了代码库的最终状态，但没有揭示达到该状态的存储库特定的更改模式。我们引入了 Learning to Commit，这是一个通过在线存储库内存弥补这一差距的框架。给定一个严格按时间顺序划分的存储库，代理对早期提交执行有监督的对比反射：它盲目地尝试解决每个历史问题，将其预测与预言机差异进行比较，并将差距提炼为一组不断增长的技能-可重用模式，捕获编码风格、内部 API 使用和架构不变量。当新的 PR 描述到达时，代理会根据这些积累的技能来调节其生成，从而根据项目自身的演变而不是通用的预训练先验来产生变化。评估是针对真正未来的、合并的拉取请求进行的，这些请求在技能构建阶段是不可能看到的，并且跨越多个维度，包括功能正确性、代码风格一致性、内部 API 重用率和修改区域的合理性。在专家维护的具有丰富提交历史的存储库上进行的实验表明，在线存储库内存有效地提高了未来任务的有机性分数。