SWE-World: Construindo Agentes de Engenharia de Software em Ambientes Livres de Docker
SWE-World: Building Software Engineering Agents in Docker-Free Environments
February 3, 2026
Autores: Shuang Sun, Huatong Song, Lisheng Huang, Jinhao Jiang, Ran Le, Zhihao Lv, Zongchao Chen, Yiwen Hu, Wenyang Luo, Wayne Xin Zhao, Yang Song, Hongteng Xu, Tao Zhang, Ji-Rong Wen
cs.AI
Resumo
Os recentes avanços em grandes modelos de linguagem (LLMs) permitiram que agentes de engenharia de software enfrentassem tarefas complexas de modificação de código. A maioria das abordagens existentes depende de *feedback* de execução de ambientes conteinerizados, que exigem configuração completa de dependências e execução física de programas e testes. Embora eficaz, esse paradigma é intensivo em recursos e de difícil manutenção, complicando substancialmente o treinamento de agentes e limitando a escalabilidade. Propomos o SWE-World, uma estrutura livre de Docker que substitui ambientes de execução física por um substituto aprendido para treinar e avaliar agentes de engenharia de software. O SWE-World aproveita modelos baseados em LLM treinados em dados reais de interação agente-ambiente para prever resultados intermediários de execução e *feedback* final de testes, permitindo que os agentes aprendam sem interagir com ambientes físicos conteinerizados. Este projeto preserva o ciclo padrão de interação agente-ambiente, eliminando a necessidade de construção e manutenção dispendiosas de ambientes durante a otimização e avaliação do agente. Além disso, como o SWE-World pode simular os resultados finais de avaliação de trajetórias candidatas sem submissão real, ele permite selecionar a melhor solução entre várias tentativas no momento do teste, facilitando assim a escalabilidade efetiva no momento do teste (TTS) em tarefas de engenharia de software. Experimentos no SWE-bench Verified demonstram que o SWE-World eleva o Qwen2.5-Coder-32B de 6,2% para 52,0% via SFT livre de Docker, 55,0% com RL livre de Docker e 68,2% com TTS adicional. O código está disponível em https://github.com/RUCAIBox/SWE-World.
English
Recent advances in large language models (LLMs) have enabled software engineering agents to tackle complex code modification tasks. Most existing approaches rely on execution feedback from containerized environments, which require dependency-complete setup and physical execution of programs and tests. While effective, this paradigm is resource-intensive and difficult to maintain, substantially complicating agent training and limiting scalability. We propose SWE-World, a Docker-free framework that replaces physical execution environments with a learned surrogate for training and evaluating software engineering agents. SWE-World leverages LLM-based models trained on real agent-environment interaction data to predict intermediate execution outcomes and final test feedback, enabling agents to learn without interacting with physical containerized environments. This design preserves the standard agent-environment interaction loop while eliminating the need for costly environment construction and maintenance during agent optimization and evaluation. Furthermore, because SWE-World can simulate the final evaluation outcomes of candidate trajectories without real submission, it enables selecting the best solution among multiple test-time attempts, thereby facilitating effective test-time scaling (TTS) in software engineering tasks. Experiments on SWE-bench Verified demonstrate that SWE-World raises Qwen2.5-Coder-32B from 6.2\% to 52.0\% via Docker-free SFT, 55.0\% with Docker-free RL, and 68.2\% with further TTS. The code is available at https://github.com/RUCAIBox/SWE-World