ASAD：用于调试的自适应软件Agent

将大语言模型 (LLM) 集成到多Agent系统中显示出自动化调试的巨大潜力。然而，几乎所有当前的框架都依赖于严格的、预定义的架构：在对错误进行任何分析之前，Agent的数量、它们的角色和它们的交互模式都是固定的。这种一刀切的方法从根本上与软件缺陷的异构性质不匹配。简单的错误会在不必要的协调上浪费资源，而复杂的错误则会因专业知识不足或不一致而受到影响。本文介绍了 ASAD，这是一种用于调试的自适应 Agentic 系统，可根据每个错误的性质和复杂性来配置其团队。 ASAD 通过分析错误代码来启动调试过程，并动态确定要部署的Agent数量、它们应具有的专门角色以及它们应遵循的协作策略。中央协调员通过迭代规划、反思和执行来协调这一过程；对简单问题进行快速单遍修复，同时组建专门的团队来解决更复杂的故障。我们使用 DeepSeek-V3、Qwen-3 和 GPT-5 等多个 LLM，根据三个既定基准评估 ASAD：Defects4J、DebugBench 和 CodeFlaws。与思想链 (CoT) 提示相比，ASAD 始终将错误修复率提高 12--20%，并且在修复精度方面始终优于静态多Agent系统 4--9%，同时将平均Agent使用率降低 32%。至关重要的是，我们的系统动态调整Agent的数量和角色：它以最少的协调解决简单的错误，并仅针对更复杂的情况扩展Agent的参与。