近年来，大型语言模型（LLM）的进展显著推动了软件开发任务的自动化，包括代码合成、程序修复和测试生成等。近期，研究人员和工业界开发了多种自主 LLM 智能体来执行端到端的软件开发任务。这些智能体具备使用工具、运行命令、观察环境反馈并规划后续行动的能力。然而，这些基于智能体的方法本身较为复杂，加之当前 LLM 能力有限，引出了一个关键问题：我们真的需要复杂的自主软件智能体吗？
为尝试回答这一问题，作者构建了 Agentless——一种无需智能体（agentless）的软件问题自动求解方法。与基于智能体方法的复杂冗长设置相比，Agentless 采用了简单的三阶段流程：定位（localization）、修复（repair）和补丁验证（patch validation），不需要 LLM 决定后续行动，也不涉及复杂工具操作。
在流行的 SWE-bench Lite 基准测试上的结果表明，这个简单的 Agentless 方法出人意料地在所有现有开源软件智能体中取得了最高性能（32.00%，96 个正确修复），同时成本极低（仅 0.70 美元）。
此外，作者对 SWE-bench Lite 中的问题进行人工分类，发现其中存在具有精确真值补丁或问题描述不充分/具有误导性的问题。为此，他们构建了 SWE-bench Lite-S 数据集，剔除这些有问题的样本，以进行更严格的评估和比较。
该工作揭示了简单、可解释的技术在自主软件开发中常被忽视的潜力。作者希望 Agentless 能够重新设定自主软件智能体的基线、起点和视野，并激发该方向上的未来研究。