北大用ChatGPT组建了个开发团队：大模型分饰多角色，协同完成软件开发任务

尽管大型语言模型 (简称为：大模型) 在代码生成方面已经展示出了惊人的能力，但是在处理复杂任务上仍然存在挑战。在现实中的软件开发过程中，人们通常通过协同团队工作的策略来解决复杂的任务，这种策略能够显著地控制开发的复杂性并提高软件的质量。

受此启发，研究者提出了一个使用大模型进行代码生成的 self-collaboration 框架。具体来说，通过角色指令，1) 多个大型语言模型扮演不同的 "专家" 角色，每个模型负责处理复杂任务中的特定子任务；2) 规定合作和交互的方式，使不同的角色形成一个虚拟团队，帮助彼此完成工作，最终无需人为干预就能共同完成代码生成任务。

为了有效地组织和管理这个虚拟团队，研究者巧妙地将软件开发方法论中的瀑布模型融入到了框架中，组建了一个由三个 ChatGPT 角色（即分析师、程序员和测试员）组成的基础团队，实施软件开发过程中的分析、编码和测试阶段。

实验结果表明，与直接利用大模型代码生成相比，self-collaboration 代码生成的性能大幅提升，甚至让 GPT-3.5 超越了 GPT-4。此外，研究者还展示了 self-collaboration 能使大模型有效地处理更复杂的实际代码项目，而这些项目往往是直接代码生成难以解决的。

下面具体介绍一下 Self-collaboration 框架以及在该框架基础上按照软件开发方法论组建虚拟团队的实例。

Self-collaboration 框架

给定需求 x，利用大模型执行 Self-collaboration 以生成输出 y。该任务定义为T：x→y。Self-collaboration 框架由两部分组成：分工和合作。

众所周知，大模型对上下文非常敏感，因为它们在训练时，被要求根据前面的文字预测后续文字。因此，一种广泛使用的方式是通过指令或提示来控制大模型的生成。研究者采用特定类型的指令为大模型分配身份和职责，被称为角色指令。具体来说，研究者要求大模型扮演与其职责紧密相关的特定角色并且传达这个角色应该执行的详细任务。

使用角色指令的优势在于它们仅需要在交互开始时被提供一次。在随后的交互中，传达的只是意图，而不是指令和意图的组合。因此，角色指令提升了后续沟通合作的整体效率和清晰度。

在合作部分，研究者关注于促进在 self-collaboration 框架内承担不同角色的大模型之间的有效交互。每个大模型在其指定角色指令的指导下，通过履行其分配的职责为整体任务做出贡献。随着阶段的进展，大模型与其他大模型交流他们的输出，交互信息并输出 y 。

利用角色指令，可以有效控制大模型的输出格式。结合语言模型的基础方面，这可以初步建立大模型之间的通信。

合作部分可以形式化为：

实例化

研究者将软件工程方法论中的经典瀑布模型引入到自协作框架中，使代码生成的团队协作更加高效。具体来说，研究者设计了一个由分析、编码和测试三个阶段组成的简化瀑布模型，作为自协作代码生成的实例。该实例的工作流程遵循瀑布模型从一个阶段流向下一阶段，如果发现问题，则返回上一阶段进行细化。因此，研究者建立了一个基本团队，包括分析师、编码员和测试员，负责分析、编码和测试阶段，如图 1（右）所示。这三个不同的角色被分配以下任务：

分析师：分析师的目标是制定高层次的 plan 并专注于指导程序员编写程序，而不是深入研究实现细节。给定需求 x，分析师将 x 分解为几个易于解决的子任务，以方便程序员直接实施，并制定概述实施主要步骤的 plan。

程序员：作为该团队的核心角色，程序员将在整个开发过程中接收来自分析师的 plan 或来自测试人员的测试报告。因此，研究者通过角色说明将两项主要职责分配给程序员：1. 编写满足指定要求的代码，遵守分析师提供的 plan。2. 修复或细化代码，考虑到测试人员反馈的测试报告反馈。编码器角色指令的详细信息如图 2 所示。

测试员：测试员获取程序员编写的代码，然后记录包含各个方面（例如功能性、可读性和可维护性）的测试报告。研究者提倡模型模拟测试过程并生成测试报告，而不是生成测试用例然后通过执行手动测试代码，从而促进交互并避免额外的工作。