证据所示：迭代审查与架构设计能减少错误，但无法完全消除
最直接的答案来自iCoder，这是一个多智能体平台，系统性地将经典软件工程实践——迭代开发、架构设计、反向依赖建模和代码审查——嵌入到自动化工作流中。在SRDD数据集（一个用于系统级软件开发的基准测试）上的测试中，使用GPT-3.5 Turbo时，iCoder将整体软件质量比基线模型提升了3–7%，并在使用GPT-4o时实现了最佳的可执行性、一致性和整体质量[1]。这意味着加入结构化的审查和架构约束，确实能显著减少长任务中累积的错误类型，但提升幅度有限——并非万能灵药。
同一篇论文的消融研究揭示了哪些做法最为关键：迭代开发与架构约束主要有助于管理复杂性，而反向依赖建模和代码审查则对质量保障起决定性作用[1]。因此，若想避免重蹈覆辙，审查环节是关键抓手——但它并非完美无缺，因为质量提升幅度仍停留在个位数。
开放平台如何提供帮助：沙盒化与结构化沟通
OpenHands是一个面向AI软件开发者的开放平台，它采用了一种不同但互补的方法：它让智能体在安全、沙盒化的环境中像人类开发者一样与世界互动——编写代码、使用命令行、浏览网页[2]。这种沙盒化对于长期多步骤任务至关重要，因为它让智能体能够测试自己的代码并及早发现错误，而不会危及宿主系统。OpenHands还支持协调多个智能体，这有助于将长任务分解为可管理的部分，并减少单个智能体的错误波及整个项目的可能性。
另一个框架ChatDev则利用聊天链来引导专业智能体完成设计、编码和测试阶段，其中系统设计使用自然语言，调试则使用编程语言[3]。其关键洞见在于，为每个阶段采用合适的沟通模式——高层设计用自然语言，底层调试用代码——有助于智能体更有效地发现并修复错误。OpenHands和ChatDev都表明，结构与沟通是强大的工具，但两者均未声称能完全消除错误；它们提升的是可靠性，而非保证万无一失。
最佳情况与典型情况证据之间的差距
这里所涉及的研究，其证据质量参差不齐。iCoder最为严谨，采用了受控实验和消融研究，其结果显示出了明确但有限的改进[1]。OpenHands是一个拥有超过188位贡献者的大型社区项目，但其评估基于SWE-Bench和WebArena等基准上的15项具有挑战性的任务——这固然令人印象深刻，但并非针对长任务中错误减少情况的系统性比较[2]。ChatDev的证据则更多属于轶事性质，侧重于基于语言的沟通如何促进协作，缺乏定量质量指标[3]。
这一差距与你的问题相关：最有力的证据（iCoder）表明，只要方法得当，你可以减少重复犯错，但效果幅度较小（3–7%）。其他平台虽显示出潜力，但并未提供同等程度的证明。因此，尽管开放平台是朝着正确方向迈出的一步，但它们并非灵丹妙药——你仍需在设计时仔细考虑审查和架构，即便如此，也难免会有一些错误持续存在。
关于这些来源
本回答基于3项同行评审研究——发表于2024年至2026年，其中3项为2024年或之后发表，1项发表于Q1期刊，合计被引547次——这些研究是从3项通过质量筛选的研究中选出的最相关成果，而这些研究又源自从超过5亿篇论文数据库中检索到的32篇文献。
本文引用的文献
iCoder：一个多智能体软件开发平台
iCoder是一个多智能体平台，集成了迭代开发、架构设计、反向依赖建模和代码审查，在SRDD数据集上使用GPT-3.5 Turbo时，相比基线将整体软件质量提升了3–7%，并在使用GPT-4o时实现了最佳的可行性、一致性和整体质量；消融研究表明，迭代开发和架构设计有助于复杂度管理，而反向依赖建模和代码审查对质量保障起决定性作用。
OpenHands：一个面向AI软件开发者的开放平台，助力通用型智能体
OpenHands是一个开放平台（采用MIT许可证），使智能体能够在沙盒环境中编写代码、使用命令行和浏览网页，支持多智能体协作，并在包括SWE-Bench和WebArena在内的15项挑战性任务上进行了评估，已获得来自188多位贡献者的2100余项贡献。
ChatDev：用于软件开发的通信智能体
ChatDev利用聊天链引导由LLM驱动的智能体完成设计、编码和测试阶段，发现自然语言有助于系统设计，而编程语言则有助于调试，这表明基于语言的沟通能够促进软件开发中的多智能体协作。