mini-swe-agent
用 Bash 驱动的极简软件工程代理，用于处理 GitHub issue 或本地命令行任务。
按维度查看评分与理由
证据显示：依赖中明确排除了已知有漏洞的litellm版本（1.82.7/8）和openai版本（1.100.0/1.100.1），并注明原因，体现了对依赖安全的关注。但未发现用户确认机制（如命令执行前确认），也未发现回滚机制。数据流透明度方面，README描述了线性历史，但未明确说明数据如何传输至外部模型。敏感数据处理未提及。外部影响方面，agent执行bash命令，可能产生副作用，但未提供沙箱默认配置。来源归属方面，README和pyproject中明确列出了作者和机构。扣分原因：缺少用户确认和回滚机制，数据流和敏感数据处理说明不足。
证据显示：测试覆盖了多种场景，包括超时、步骤限制、成本限制、格式错误等，表明内部一致性较好。依赖在pyproject中明确列出，且排除了有问题的版本，依赖可用性较好。失败消息方面，测试验证了超时和格式错误时的处理，但未提供详细的错误消息文档。扣分原因：失败消息的文档化不足。
证据显示：README明确说明了目标用户（开发者、研究人员）和使用场景（CLI、批量推理、Python绑定）。能力边界方面，说明了仅使用bash工具，无其他工具。触发精度方面，通过CLI命令和Python API触发，描述清晰。环境适配方面，支持多种环境（本地、docker、singularity等）。扣分原因：未明确说明不支持的环境或限制。
证据显示：README提供了清晰的安装说明、使用示例、FAQ链接和文档链接。命名稳定，提供了多个CLI入口。已知限制方面，README提到了一些设计选择（如无shell会话），但未系统列出所有限制。许可证为MIT，明确。版本控制方面，有v2迁移指南，但未提供详细的变更日志。维护责任方面，有贡献指南和文档。扣分原因：已知限制和变更日志不够详细。
证据显示：输出可用性方面，提供了CLI和Python绑定，输出格式清晰。边际价值方面，强调简单性和性能，但未提供与其他工具的详细对比。成本效益方面，声称性能高且启动快，但未提供具体成本数据。扣分原因：缺乏具体性能数据和成本对比。
证据显示：README中的性能声明（>74% SWE-bench）有外部基准链接，但未提供具体复现步骤。交叉来源验证方面，有外部博客和基准链接，但未提供独立验证。事实与推断分离方面，README区分了事实（如代码行数）和推断（如性能声明）。扣分原因：性能声明缺乏详细复现步骤和独立验证。
- 该Agent会执行任意bash命令，可能对系统产生不可逆影响，建议在沙箱环境中运行。
- 未提供用户确认机制，命令执行前不会征求用户同意，需谨慎使用。
- 数据流透明度不足，未明确说明发送给外部模型的数据内容，涉及敏感数据时需注意。
这个 Agent 能做什么，适合哪些场景？
mini-swe-agent 是面向软件工程任务的 Python 代理，提供 `mini` 命令行工具和 Python 绑定。其默认组合示例为 `DefaultAgent`、`LitellmModel` 与 `LocalEnvironment`。代理只使用 Bash 作为操作接口，将每一步消息线性追加到后续传给语言模型的上下文中。动作通过 `subprocess.run` 独立执行，而不是维护持久化 shell 会话；文档同时列出本地环境、Docker/Podman、Singularity/Apptainer、bubblewrap 和 contree 等部署边界。项目还提供批量推理和轨迹浏览器，并宣称在 SWE-bench verified 上得分超过 74%。
用户通过 mini 启动命令行代理，或在 Python 中创建 DefaultAgent(LitellmModel(model_name=...), LocalEnvironment()) 并调用 agent.run("Write a sudoku game")。代理将任务和每轮结果追加为线性消息历史，传给语言模型；它不依赖模型的工具调用接口。模型给出的操作以 Bash 执行，并由 subprocess.run 逐条独立运行；因此每个动作没有持续 shell 状态。项目文档列出用于本地任务、批量 SWE-bench 推理和查看轨迹的接口，但未在所给材料中定义具体的补丁、提交或报告文件格式。
- 开发者在本地终端中希望让代理协助处理一个 GitHub issue 时，可运行
mini。 - Python 工具开发者需要把一个可编程的工程代理嵌入脚本时，可用
DefaultAgent、LitellmModel和LocalEnvironment组合后调用agent.run(...)。 - 评测研究人员需要批量运行 SWE-bench 推理，并检查模型与代理的完整线性轨迹时，可使用项目列出的批量推理和轨迹浏览器。
- 需要在容器或隔离运行环境中执行代理动作的团队，可采用文档列出的 Docker、Podman、Singularity/Apptainer、bubblewrap 或 contree 路径。
- 进行微调或强化学习实验、且希望避免复杂代理脚手架的研究者，可利用其 Bash-only、线性历史的控制流。
这个 Agent 有哪些优点和局限？
- 控制流刻意精简：代理类约 100 行 Python，且消息历史是逐步追加的线性记录，便于检查模型实际接收的上下文。
- 只以 Bash 作为操作接口，不要求语言模型支持工具调用接口。
- 每个动作通过独立的
subprocess.run执行，避免持久 shell 会话状态，并适合替换为沙箱执行路径。 - 同时提供
miniCLI、Python 绑定、批量推理和轨迹浏览器。
- 核心操作接口仅为 Bash；需要专用结构化工具或多工具接口实验时，项目自身并不提供这些能力。
- 动作之间没有持久 shell 会话，依赖跨命令 shell 状态的工作流需要自行适配。
- 使用模型所需的具体供应商凭据、环境变量和配置步骤未在所给材料中给出。
- README 明确提示这是 v2；从 v1 迁移需要遵循迁移指南。
如何安装或部署这个 Agent？
快速试用：pip install uv && uvx mini-swe-agent，或 pip install pipx && pipx ensurepath && pipx run mini-swe-agent。安装到当前环境：pip install mini-swe-agent，随后运行 mini。从源码安装：git clone https://github.com/SWE-agent/mini-swe-agent.git，cd mini-swe-agent && pip install -e .，随后运行 mini。运行前还需要为 LitellmModel 选择并配置模型；所给材料未说明具体凭据名称、环境变量或配置参数。
如何使用这个 Agent？
安装后执行 mini 启动 CLI。Python 调用可按示例构造：agent = DefaultAgent(LitellmModel(model_name=...), LocalEnvironment())，然后执行 agent.run("Write a sudoku game")。将 model_name=... 替换为已配置模型的名称；所给材料未提供该模型配置的完整命令。
这个 Agent 与同类方案有什么区别？
README 将 mini-swe-agent 定位为默认选择，适合本地 CLI、简单控制流、较快的沙箱与基准运行，以及不希望过度适配特定代理脚手架的微调或强化学习场景。若要试验多组带各自接口的工具或不同历史处理器，README 建议使用 SWE-agent。两者都被描述为具备 SWE-Bench 表现和轨迹浏览器。
常见问题
它需要模型具备函数调用或工具调用能力吗？
它能在哪些执行环境中部署？
模型和凭据如何配置？
/completion 和 /response 端点，但没有给出具体凭据或配置参数。