AI编程代理找对文件却找不对关键代码行，SWE-Explore基准测试揭示短板

一句话看懂

新基准SWE-Explore首次单独测试AI编程代理的代码定位能力，发现它们找对文件却找不对关键行，修复效果大打折扣。

详细发生了什么

一项新研究显示，像Claude Code和Codex这样的AI编程代理在定位代码时，能准确找到相关文件，但往往遗漏文件中真正需要修改的关键行。研究人员推出了SWE-Explore基准测试，这是首个将代码搜索能力与修复能力分开评估的测试。

该基准包含来自真实项目的代码缺陷，要求代理先定位问题所在的行，再尝试修复。结果发现，即使代理最终修复成功，其定位准确率也远低于预期。例如，在部分任务中，代理虽然找到了正确的文件，但定位到正确代码行的比例不足30%。这表明，缺乏精确的上下文理解是当前AI编程工具的主要瓶颈。

研究强调，没有足够的上下文，即使最强大的修复模型也会失败。SWE-Explore的发布为开发者提供了一个独立评估代码搜索能力的工具，有助于未来改进AI代理的上下文感知能力。

中文圈视角

对中文开发者来说，这项研究有直接参考价值。目前国内主流AI编程助手如通义灵码、CodeGeeX等，同样依赖代码定位能力。虽然这些工具在文件级别表现不错，但行级定位的短板可能导致修复建议偏离实际需求。

一个典型场景：开发者用AI代理修复一个Python函数中的bug，代理定位到了正确的模块文件，但建议修改的却是另一段无关代码。这在实际项目中会浪费大量调试时间。

此外，SWE-Explore基准目前基于英文开源项目，中文项目（如包含中文注释或变量名）的定位效果可能更差。国产工具厂商应关注这一维度，在训练数据中加入更多中文代码场景，或开发类似的中文代码定位基准。

对于普通开发者，建议在使用AI编程代理时，不要完全信任其定位结果，尤其在复杂函数或长文件中，应手动确认修改位置。

几条值得记住的细节

• SWE-Explore是首个将代码搜索与修复分开测试的基准，由研究团队基于真实项目构建。
• 测试中，AI代理定位正确代码行的成功率低于30%，尽管文件定位准确率较高。
• 研究指出，缺乏上下文是导致定位失败的主因，而非修复能力不足。
• 该基准可独立评估代码搜索能力，帮助开发者选择更精准的工具。
• Claude Code和Codex等主流代理均参与了测试，结果具有代表性。

一句话总结

AI编程代理找文件很准，但找关键行还差得远，用它们修bug时记得自己再确认一遍。