SWE-AF：让 AI 自主完成复杂软件工程的工程团队

想象这样一个场景：凌晨两点，你的团队刚刚完成了一轮紧急功能迭代，有 10 个 Issue 需要在次日上班前完成代码评审和合并。按照传统流程，这需要 3 名工程师花费 6-8 小时。但 SWE-AF 可以在你提交一个自然语言目标后，自主完成从产品规划、架构设计、代码编写、测试验证到 Pull Request 创建的全流程——零人工干预。

SWE-AF（读作 "swee-AF"，全称 SWE Autonomous Fleet）是 Agent-Field 团队推出的开源项目，旨在构建一个自主软件工程工厂，让 AI 代理组成的工程团队能够端到端地完成生产级别的代码开发任务。

SWE-AF 自主工程舰队 Banner

图1：SWE-AF 自主工程舰队 Banner

项目背景与起源

SWE-AF 的诞生源于一个深刻的技术洞察：当前大多数 AI 编程工具都是"单代理循环"——一个 AI 模型接收指令、生成代码、完成任务。但真实世界的软件工程远比这复杂：需要产品经理理解需求、架构师设计方案、多个程序员并行开发、评审人员验证质量、测试工程师确保覆盖率。这不是一个 AI 模型能搞定的事情。

Agent-Field 团队认为，软件工程的本质是一个多角色协作的工厂流水线。因此 SWE-AF 没有选择单代理路线，而是构建了一个由 22 个专业角色组成的 AI 工程团队，每个角色（PM、架构师、程序员、评审员、QA、集成测试等）由专门的 AI 模型驱动，协同完成复杂任务。

核心能力：一次调用，一个工程团队

SWE-AF 的入口极其简洁——一个 API 调用即可触发整个工程团队：

curl -X POST http://localhost:8080/api/v1/execute/async/swe-planner.build \
  -H "Content-Type: application/json" \
  -d '{"input": {"goal": "Add JWT auth to all API endpoints", "repo_url": "https://github.com/user/my-project"}}'

这个调用背后发生了什么？SWE-AF 使用三层嵌套控制循环来自适应任务难度：

控制层级	作用域	触发条件	动作
内层循环	单个 Issue	QA/评审失败	程序员重试，注入更清晰的上下文
中层循环	单个 Issue	内层耗尽	问题顾问尝试新方案、拆分工作或接受债务
外层循环	剩余 DAG	升级失败	重规划器重构剩余问题的依赖关系

SWE-AF 架构图

图2：SWE-AF 系统架构图，展示了 AgentField 控制平面与 SWE-AF 节点之间的 DID/VC 治理关系

技术架构解析

SWE-AF 构建在 AgentField 控制平面上，是一个注册为 swe-planner 的节点。整个构建流程分为六个阶段：

Phase 1 — Plan + Git Init（并行）：规划链同时生成 PRD、架构文档和 Issue DAG，同时 Git 初始化设置集成分支。两路并行，互不阻塞。

Phase 2 — Execute Issue DAG：DAG 执行器按依赖层级调度 Issue，在层级内并行执行。单个大型构建可能产生 400-500 次以上的 AI 代理调用，大型构建可达数千次。隔离的 git worktree 允许并行开发而不会产生分支冲突。

Phase 3 — Verify-Fix Loop：验证代理检查 PRD 中的每条验收标准是否在代码库中得到满足。如果失败，修复生成器产出针对性的修复 Issue，重新注入执行器。这是一个自修正循环，最多运行 max_verify_fix_cycles + 1 次。

Phase 4 — Repo Finalize：清理构建产物、更新 .gitignore，确保工作树状态整洁。

Phase 5 — Push + Draft PR：推送集成分支，通过 gh 创建 Draft PR，PR 正文包含 PRD、架构总结和所有技术债务记录。

Phase 6 — BuildResult：输出包含计划输出、完整 DAGState、验证结果、成功标志、摘要和 PR 链接。

多运行时、多模型支持

SWE-AF 不绑定特定 AI 提供商，支持三种主流运行时：

Claude Code（Anthropic）：默认运行时，调用 Claude 模型执行编码任务
OpenCode（OpenRouter/OpenAI/Google）：支持 200+ 开源和闭源模型，包括 DeepSeek、Qwen、Llama、MiniMax 等
Codex（OpenAI）：OpenAI Codex CLI 后端，支持 GPT-5.3-codex 等模型

每个角色可以指定不同模型：例如 "coder": "opus", "qa": "opus", "default": "sonnet"，实现成本与质量的精细平衡。

RustPython 加速：253 倍性能提升

SWE-AF 包含一个独特的性能优化：使用 RustPython（Rust 实现的 Python 解释器）替代传统 CPython subprocess 来执行短代码片段。在 RustPython 编译基准测试中，相比 CPython subprocess 基线：

指标	CPython subprocess	RustPython (SWE-AF)	提升
稳态执行	~19ms	优化后	88.3x-602.3x
几何均值	1.0x 基线	253.8x	253.8x
峰值吞吐	~52 ops/s	31,807 ops/s	~612x

这是系统为大规模 AI 代理调用场景专门做的工程优化：用预热池化的 RustPython 解释器替代反复 spawn 的 subprocess。

DID/VC 治理链：可审计的 AI 工程

每个代理动作都通过 AgentField 的 DID/VC（去中心化身份 + 可验证凭证）治理链进行密码学证明。这意味着 AI 生成的每一行代码、每一次决策都有完整的审计轨迹，解决了 AI 工程流程中"谁做了什么、为什么这样做"的可追溯性难题。

实际案例：$19.23 自主构建一个 Go SDK

SWE-AF 已经在生产环境中验证。PR #179（Agent-Field 官方 Go SDK DID/VC 注册功能）完全由 SWE-AF 自主构建：

指标	数值
完成 Issue 数	10/10
通过测试数	217
验收标准达成	34/34
代理调用次数	79
使用的模型	claude-haiku-4-5
总成本	$19.23

79 次代理调用、2070 轮对话轮次，规划代理负责范围界定和任务分解，程序员在隔离的 worktree 中并行开发，评审员和 QA 验证每个 Issue，合并器集成各分支，最终验证器对照 PRD 检查验收标准。

部署方式与上手门槛

SWE-AF 提供三种部署路径：

Railway 一键部署（推荐）：点击 Railway 按钮即可部署完整栈（AgentField 控制平面 + PostgreSQL + SWE-AF），只需配置 CLAUDE_CODE_OAUTH_TOKEN 和 GH_TOKEN 两个环境变量。

Docker Compose（自托管）：提供完整的 docker-compose.yml，包含控制平面、swe-agent 和 swe-fast 三个服务，支持水平扩展。

本地开发：需要 Python 3.12+、AgentField 控制平面和 AI 提供商 API Key，通过 pip install -e . 安装后运行 af + python -m swe_af 启动。

硬件要求：无 GPU 依赖，4GB RAM + 10GB 磁盘即可运行，适合在标准云服务器上部署。

局限性与挑战

尽管 SWE-AF 展现了令人印象深刻的自主能力，仍有几个现实问题需要正视：

API Key 成本：每个构建的 token 消耗需要仔细评估，上述 $19.23 的案例使用的是 haiku 级模型，切换到 Sonnet/Opus 成本会显著上升。

长尾问题处理：三层控制循环虽然提升了复杂任务的处理能力，但某些边界情况（如框架级 breaking change、API 弃用）可能仍需要人工介入。

安全与权限：AI 代理在仓库中拥有写权限，自主创建分支和 PR，生产环境部署需要谨慎配置 GitHub Token 权限范围。

AgentField 依赖：SWE-AF 不是独立工具，需要搭配 AgentField 控制平面运行，增加了部署复杂度。

行业意义与未来展望

SWE-AF 代表了 AI 软件工程领域的一个重要方向：从"AI 辅助编程"到"AI 自主工程团队"的跃迁。在 GitHub Copilot 解决"单行代码补全"问题时，SWE-AF 已经在探索"整条流水线自动化"的边界。

实际意义在于：它让独立开发者和小团队也能拥有"AI 工程团队"的生产力——用自然语言描述目标，AI 负责剩下的所有工程细节。这不仅是效率工具的进化，更是对软件开发组织形式的一次重新定义。

随着模型能力的持续提升和 AgentField 生态的扩展，SWE-AF 这类自主工程系统有望从当前的"半自动化助手"逐步进化为真正可靠的生产级工程伙伴。

项目链接：https://github.com/Agent-Field/SWE-AF
Stars：869
License：Apache 2.0
主要语言：Python
依赖框架：AgentField、Pydantic、Claude Agent SDK

SWE-AF：让 AI 自主完成复杂软件工程的工程团队

SWE-AF 自主工程舰队 Banner

图1：SWE-AF 自主工程舰队 Banner

项目背景与起源

核心能力：一次调用，一个工程团队

SWE-AF 的入口极其简洁——一个 API 调用即可触发整个工程团队：

curl -X POST http://localhost:8080/api/v1/execute/async/swe-planner.build \
  -H "Content-Type: application/json" \
  -d '{"input": {"goal": "Add JWT auth to all API endpoints", "repo_url": "https://github.com/user/my-project"}}'

这个调用背后发生了什么？SWE-AF 使用三层嵌套控制循环来自适应任务难度：

控制层级	作用域	触发条件	动作
内层循环	单个 Issue	QA/评审失败	程序员重试，注入更清晰的上下文
中层循环	单个 Issue	内层耗尽	问题顾问尝试新方案、拆分工作或接受债务
外层循环	剩余 DAG	升级失败	重规划器重构剩余问题的依赖关系

SWE-AF 架构图

图2：SWE-AF 系统架构图，展示了 AgentField 控制平面与 SWE-AF 节点之间的 DID/VC 治理关系

技术架构解析

SWE-AF 构建在 AgentField 控制平面上，是一个注册为 swe-planner 的节点。整个构建流程分为六个阶段：

Phase 1 — Plan + Git Init（并行）：规划链同时生成 PRD、架构文档和 Issue DAG，同时 Git 初始化设置集成分支。两路并行，互不阻塞。

Phase 4 — Repo Finalize：清理构建产物、更新 .gitignore，确保工作树状态整洁。

Phase 5 — Push + Draft PR：推送集成分支，通过 gh 创建 Draft PR，PR 正文包含 PRD、架构总结和所有技术债务记录。

Phase 6 — BuildResult：输出包含计划输出、完整 DAGState、验证结果、成功标志、摘要和 PR 链接。

多运行时、多模型支持

SWE-AF 不绑定特定 AI 提供商，支持三种主流运行时：

Claude Code（Anthropic）：默认运行时，调用 Claude 模型执行编码任务
OpenCode（OpenRouter/OpenAI/Google）：支持 200+ 开源和闭源模型，包括 DeepSeek、Qwen、Llama、MiniMax 等
Codex（OpenAI）：OpenAI Codex CLI 后端，支持 GPT-5.3-codex 等模型

每个角色可以指定不同模型：例如 "coder": "opus", "qa": "opus", "default": "sonnet"，实现成本与质量的精细平衡。

RustPython 加速：253 倍性能提升

指标	CPython subprocess	RustPython (SWE-AF)	提升
稳态执行	~19ms	优化后	88.3x-602.3x
几何均值	1.0x 基线	253.8x	253.8x
峰值吞吐	~52 ops/s	31,807 ops/s	~612x

这是系统为大规模 AI 代理调用场景专门做的工程优化：用预热池化的 RustPython 解释器替代反复 spawn 的 subprocess。

DID/VC 治理链：可审计的 AI 工程

实际案例：$19.23 自主构建一个 Go SDK

SWE-AF 已经在生产环境中验证。PR #179（Agent-Field 官方 Go SDK DID/VC 注册功能）完全由 SWE-AF 自主构建：

指标	数值
完成 Issue 数	10/10
通过测试数	217
验收标准达成	34/34
代理调用次数	79
使用的模型	claude-haiku-4-5
总成本	$19.23

部署方式与上手门槛

SWE-AF 提供三种部署路径：

Docker Compose（自托管）：提供完整的 docker-compose.yml，包含控制平面、swe-agent 和 swe-fast 三个服务，支持水平扩展。

本地开发：需要 Python 3.12+、AgentField 控制平面和 AI 提供商 API Key，通过 pip install -e . 安装后运行 af + python -m swe_af 启动。

硬件要求：无 GPU 依赖，4GB RAM + 10GB 磁盘即可运行，适合在标准云服务器上部署。

局限性与挑战

尽管 SWE-AF 展现了令人印象深刻的自主能力，仍有几个现实问题需要正视：

API Key 成本：每个构建的 token 消耗需要仔细评估，上述 $19.23 的案例使用的是 haiku 级模型，切换到 Sonnet/Opus 成本会显著上升。

长尾问题处理：三层控制循环虽然提升了复杂任务的处理能力，但某些边界情况（如框架级 breaking change、API 弃用）可能仍需要人工介入。

安全与权限：AI 代理在仓库中拥有写权限，自主创建分支和 PR，生产环境部署需要谨慎配置 GitHub Token 权限范围。

AgentField 依赖：SWE-AF 不是独立工具，需要搭配 AgentField 控制平面运行，增加了部署复杂度。

行业意义与未来展望

随着模型能力的持续提升和 AgentField 生态的扩展，SWE-AF 这类自主工程系统有望从当前的"半自动化助手"逐步进化为真正可靠的生产级工程伙伴。

项目链接：https://github.com/Agent-Field/SWE-AF
Stars：869
License：Apache 2.0
主要语言：Python
依赖框架：AgentField、Pydantic、Claude Agent SDK