苹果公司近日公布了三项前沿人工智能（AI）研究成果，旨在通过大语言模型（LLM）显著提升软件开发与测试的效率。这些研究聚焦于自动化质量工程（QE）测试、代码错误修复以及软件缺陷预测，以解决传统手动测试耗时、成本高且易出错的难题。第一项研究提出的“智能体 RAG 框架”通过六个专业 AI 智能体协同工作，大幅提升了测试准确率和效率，并增加了 BUG 检测率。第二项研究的“SWE-Gym”训练环境，使 AI 智能体在模拟环境中学习解决真实的软件工程问题，成功率达到 72.5%。第三项研究开发的“ADE-QVAET”模型，则利用 AI 进行软件 BUG 的事前预测，实现从被动修复到主动预防的转变，从而从根本上提高软件质量。

🤖 **Agentic RAG Framework提升自动化测试效率**：该框架由六个专业AI智能体组成，协同处理法规遵从、历史案例分析和测试生成等任务。相较于传统手动测试，该框架将测试准确率从65%提升至94.8%，将所需时间缩短85%，并提高了35%的BUG检测率，有效解决了人工测试耗时耗力的痛点。

🧠 **SWE-Gym赋能AI解决真实软件工程问题**：SWE-Gym是一个专门的训练环境，整合了11个知名Python代码库的2438个真实GitHub问题。通过在此环境中训练，基于语言模型的AI智能体能够学习诊断和修复代码错误，并成功解决了72.5%的编程任务，为提升开发者生产力和探索人机协作编程模式提供了新途径。

💡 **ADE-QVAET实现软件BUG的事前预测**：该AI模型结合了自适应优化技术（ADE）与量子变分自动编码器（QVAET），通过深度学习和模式识别来精准定位高维特征中的异常。其核心目标是实现软件质量的“主动预防”，从根本上改变过去“被动修复”的模式，从而提升整体软件质量和用户体验。

IT之家 10 月 17 日消息，科技媒体 Appleinsider 昨日（10 月 16 日）发布博文，报道称苹果公司公布了 3 项 AI AI 研究成果，深入探讨了如何运用人工智能（AI）与大语言模型（LLM）提升软件开发与测试的效率。

这些研究分别聚焦于自动化质量工程（QE）测试、修复代码错误以及预测软件缺陷，旨在解决传统手动测试耗时、昂贵且易出错的痛点。

一、Agentic RAG Framework

第一项研究提出了一个“智能体 RAG 框架”（Agentic RAG Framework），专门用于软件自动化测试。

传统模式下，质量工程师需要花费 30-40% 的时间手动编写测试方案和脚本。为解决此问题，苹果设计了一个由六个专业 AI 智能体组成的协同系统，分别负责法规遵从、历史案例分析、测试生成等任务。

该框架取得了显著成效：不仅将测试准确率从 65% 提升至 94.8%，还将所需时间大幅缩短了 85%，同时 BUG 检测率也提高了 35%。

二、SWE-Gym

第二项研究则推出了一个名为“SWE-Gym”的训练环境，专门用于培养 AI 智能体解决真实世界的软件工程问题。

该环境整合了来自 11 个知名 Python 代码库的 2438 个真实 GitHub 问题，让 AI 在模拟环境中学习诊断并修复错误。

经过训练，基于语言模型的 AI 智能体成功解决了 72.5% 的编程任务。这项研究旨在通过 AI 辅助提升开发人员的生产力，并为探索“人机协作”编程模式提供了新方向。

三、ADE-QVAET

第三项研究聚焦于软件 BUG 的“事前预测”，并为此开发了名为“ADE-QVAET”的 AI 模型。

它结合了自适应优化技术（ADE）与量子变分自动编码器（QVAET），通过深度学习和模式识别来精准定位高维特征中的异常。

该研究的目标是利用 AI 从“被动修复”转向“主动预防”，从根本上提升软件质量。

IT之家附上参考地址

• Agentic RAG for Software Testing with Hybrid Vector-Graph and Multi-Agent Orchestration

• Training Software Engineering Agents and Verifiers with SWE-Gym

• Software Defect Prediction using Autoencoder Transformer Model