来源笔记
RAT: RunAnyThing via Fully Automated Environment Configuration
摘要
RAT 是一个与语言无关的智能体框架，用来为任意代码仓库配置可运行环境。它针对仓库级代码智能体的一个核心失败点，在一个包含 2,000 多个仓库的新基准上报告了比先前方法更高的环境搭建成功率。
问题
- 仓库级软件智能体常常在测试或运行代码之前就失败，因为项目环境缺失、损坏或不清楚。
- 现有的环境配置方法依赖人工筛选的产物，例如 Dockerfile、CI 日志或特定语言规则，这限制了它们对混乱的真实仓库的覆盖范围。
- 这很重要，因为执行是验证、基准构建、训练数据合成、基于运行时反馈的强化以及可靠部署的前提。
方法
- RAT 用多阶段智能体流水线构建环境：先识别仓库的主要语言，检查项目文件和文档，选择起始容器镜像，再在沙箱中反复安装和验证依赖。
- 它的 ImageRetriever 模块结合仓库语义和 Docker Hub 搜索，选择比固定默认值如
python:3.10或openjdk:17更合适的基础镜像。 - 智能体可以运行固定的标准计划，也可以运行自动计划，把进度写入
plan.md，作为更长配置会话的外部记忆。 - RAT 还加入了任务专用工具，用于读取和编辑文件、解析 CI 配置、切换语言版本、检索相似的历史问题、从错误中恢复，以及在仓库没有测试时生成冒烟测试。
- 论文还引入了 RATBench，一个可执行验证的基准，包含 2,000 多个 GitHub 仓库，覆盖 Python、Java、Rust 和 JavaScript/TypeScript，并按项目规模、受欢迎程度和产物可用性进行抽样。
结果
- 在 RATBench 上，RAT 报告的 ESSR 分别为 Python 63.2%、Java 41.3%、Rust 98.7%、JS/TS 68.7%。
- 与使用相同骨干模型（DeepSeek-V3）的 SWE-agent 相比，RAT 将 ESSR 在 Python 上提高 47.7 个百分点（63.2 对 15.5），在 Java 上提高 12.0 个百分点（41.3 对 29.3），在 Rust 上提高 42.0 个百分点（98.7 对 56.7），在 JS/TS 上提高 16.9 个百分点（68.7 对 51.8）。论文称，相比强基线，平均提升为 29.6%。
- 在 Python 专用基线上，RAT 比 Repo2Run 高 18.4 个百分点（63.2 对 44.8），比 pipreqs 高 27.4 个百分点（63.2 对 35.8），比 Zero-shot 高 48.0 个百分点（63.2 对 15.2），比 Installamatic 高 56.5 个百分点（63.2 对 6.7）。
- 在 Python 评估设置中，RAT 在 S1（产物引导）中的 ESSR 为 50.5%，在 S2（无产物）中为 69.5%，在 S3（缺少测试且使用合成检查）中为 92.0%，对应的 token 用量和延迟分别为 451.3K / 41.6 min、455.2K / 59.4 min 和 122.2K / 14.4 min。
- Python 上的消融结果显示，基础系统的 ESSR 为 63.2%，去掉 ImageRetriever 后为 40.5%，去掉专用工具集后为 55.7%，只保留自动规划时为 40.5%。完整 RAT 在这个设置下平均使用 421.9K tokens，耗时 24.3 min。