idea_world_labDEV JOURNAL
среда, 17 июня 2026 г.

2026-06-17 SWE-agent trajectory — заметка по ключевым словам

Основные выводы

Создание модели кодирования Godot 4 может потребовать гораздо больше данных, чем небольшие наборы вопросов‑ответов. Текущая проблема не просто в наборе инструкций, а ближе к задаче обучения агента программной инженерии, который читает длинный контекст репозитория, осуществляет навигацию по файлам, принимает решения, вносит изменения, проверяет их и генерирует патчи.

Подводя итог, название текущего направления близко к следующему.

Long-context repository-level software engineering agent training

Или более коротко, это можно рассматривать как следующий ключевой термин.

SWE-agent trajectory training

Если заменить на Godot, цель будет не просто модель вопросов и ответов по Godot, а ближе к следующему.

Создание набора данных траекторий SWE‑агента для Godot

Почему небольших вопросов и ответов недостаточно

Было следующее беспокойство.

"Создай карту"
-> Читать проект
-> Найти связанные файлы
-> Проверить ассеты
-> Оценить синтаксис/API Godot 4
-> Исправить код
-> Запустить/тестировать/проверить
-> Создать патч

Эта последовательность не заканчивается одним шагом вопрос -> ответ. Реальный кодирующий агент должен просматривать несколько файлов, принимать промежуточные решения, вносить исправления и выполнять проверку. Поэтому вместо набора данных, содержащего только конечный код ответа, более подходящим может быть создание обучающих данных из траекторий и патчей, оставленных агентом во время решения задачи.

Приоритеты для поиска

1. SWE-smith
2. nebius/SWE-agent-trajectories
3. CoderForge-Preview
4. ACC
5. aiXcoder CoLT
6. RepoBench / CrossCodeEval / RepoCoder
7. godot-dodo / wallstoneai dataset

Примечание к случаю

SWE-agent trajectories

SWE-agent-trajectories — это набор данных записей действий агента, который просматривает issue на GitHub, исследует файлы репозитория, открывает необходимые файлы, редактирует их, тестирует и создает окончательный патч.

Ключевые слова:

  • agent trajectory
  • GitHub issue solving
  • file exploration
  • patch generation
  • software engineering agent training

Ответ со стороны Godot:

"Создай карту"
-> Исследовать структуру проекта Godot  
-> Проверить связанные сцены/скрипты/ресурсы  
-> Внести изменения  
-> Запустить или проверить скриншот  
-> Создать патч

SWE-smith

SWE-smith — это набор инструментов, который превращает репозиторий GitHub в среду обучения агента программной инженерии. По описанию он преобразует произвольный репозиторий GitHub в форму SWE-gym, а также позволяет создавать локализацию файлов, исправление программ и задачи в стиле SWE-bench.

Поддержка Godot:

Godot репозиторий
-> Создать задачу по изменению карты/сцены/скрипта
-> Создать траекторию агента Godot
-> Обучить модель патча Godot

SWE-Gym

SWE-Gym — это пример, в котором кодовая база, исполняемая среда, модульные тесты и задача на естественном языке объединяются для обучения SWE‑агента и проверяющего.

Поддержка в Godot:

Godot project
+ исполняемая версия Godot
+ проверка scene/test/screenshot
+ задача на естественном языке
+ корректировка траектории
+ патч

Важно отметить, что обучение происходит не только на коде или только на вопросах естественного языка, а также включает в себя среду выполнения и проверку.

CoderForge-Preview

CoderForge-Preview — это пример создания данных SFT с длинным контекстом на основе траекторий агента. Важно, что использовалась траектория с длинным контекстом до 128 К токенов.

Этот пример служит доказательством для следующего вопроса.

Не нужен ли большой контекст для работы на уровне репозитория?

В реальном обучении кодирующих агентов также существует подход, использующий длительные контекстные траектории.

ACC

ACC: Compiling Agent Trajectories for Long-Context Training направлен на компиляцию траекторий агента в форму вопросов и ответов с длинным контекстом. Ключевой задачей является преобразование вызовов инструментов, наблюдений, содержимого файлов и результатов поиска, происходящих в нескольких ходах, в данные для обучения с длинным контекстом.

Этот пример связан со следующим вопросом.

Достаточно ли обучать только конечный код ответа?  
Или нужно оставлять в обучающих данных процесс поиска файлов и принятия решений?

RepoBench / CrossCodeEval / RepoCoder

Эта серия охватывает задачи понимания кода и его завершения на уровне репозитория.

Ключевые проблемы:

  • Оценка только по single-file benchmark не позволяет отразить сложность реального проекта.
  • Полезная информация разбросана по нескольким файлам.
  • Необходимо оценивать code completion, требующий cross-file контекста.
  • Требуется pipeline retrieval‑generation.

Поддержка для Godot:

Только по одному файлу сложно изменить карту.  
Нужно рассматривать вместе сцену, скрипт, ресурсы, настройки проекта и путь к ассетам.

aiXcoder CoLT

aiXcoder-7B-v2 и CoLT рассматривают проблему, когда даже при предоставлении длинного контекста модель может игнорировать полезную информацию.

重要的疑问：

Нужно ли вставлять контекст в большом объёме?
-> Нет.
Нужно обучить/проверить, действительно ли модель читает и использует даже при большом объёме.

На стороне Godot даже если информация о Godot 4 находится в длинном контексте, модель может отвечать с использованием Python‑подобных шаблонов или API Godot 3. Поэтому может потребоваться обучение использованию long‑context или разработка данных, которые более явно фиксируют контекст Godot 4.

godot-dodo / wallstoneai dataset

Прямыми примерами для Godot являются godot-dodo и wallstoneai/godot-gdscript-dataset.

Они оба ближе к набору данных с исходным кодом GDScript или текстом репозитория. Это имеет смысл как отправная точка для специализированного обучения Godot, но они далеки от конечной цели — набора данных траекторий агента.

Сравнивая с текущей целью, можно сформулировать следующее.

## Существующий набор данных Godot:
GDScript raw code / repo text

## Необходимый набор данных Godot:
Godot repo context  
+ пользовательская задача  
+ исследование файлов  
+ патч  
+ проверка  
+ траектория с большим контекстом

Ключевые слова, связанные с текущими размышлениями

Если связать с вопросами, сформулированными в обзоре от 14 июня, получаем следующее.

Можно ли поместить весь контекст проекта и найденный фрагмент официальной документации в контекст ввода модели за один раз?
-> задача кодирования на уровне репозитория с длинным контекстом
# Должны ли мы сохранять данные до процесса поиска и принятия решений?
→ проблема обучения траектории
Если дать большой контекст, сможет ли модель правильно использовать контекст Godot 4?
-> использование длинного контекста / проблема CoLT

Ссылки