核心内容摘要
2026年每个技术人都必须掌握的AI智能体工作流
在所有步骤之前请你先开个代理就是export http那些不然会遇到各种问题。
# 下载 Miniconda 安装脚本 wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_
sh -O miniconda.sh# 运行安装 bash miniconda.sh -b -p $HOME/miniconda3 # 初始化 conda $HOME/miniconda3/bin/conda init bash # 重新加载 shell source ~/.bashrcconda create -n swe-bench python
10 -y conda activate swe-bench pip install datasets #
克隆并安装 SWE-bench git clone https://github.com/princeton-nlp/SWE-bench.git cd SWE-bench pip install -e .现在已经配置好了环境但是请注意这个SWE bench是会创建docker的所以请不要在docker容器里运行建议找一个宿主机运行。
python -m swebench.harness.run_evaluation \ --predictions_path gold \ --max_workers 1 \ --instance_ids sympy__sympy-20590 \ --run_id validate-gold跑完简单的gold基准测试后我其实还是不太懂这个swe bench我现在打算继续测试这个bench。
有三种Patch可以选择开始一个个测试。
mini-swe-agent到达和SWE-bench平行的文件位置不要把SWE-agent作为swe-bench的子文件git clone https://github.com/SWE-agent/mini-swe-agent.git cd mini-swe-agent pip install -e .在运行测试之前先使用docker把镜像拉下来不然可能会因为docker pull太慢导致超时。
DOCKER_CLIENT_TIMEOUT600 docker pull --disable-content-trust swebench/sweb.eval.x86_
sympy_1776_sympy-20590:latest然后输入指令mini-extra config set DEEPSEEK_API_KEY 你的key然后再测试。
mini-extra swebench-single \ --subset lite \ --split test \ --model deepseek/deepseek-chat \ -i sympy__sympy-