GitHub Issue Triage Env：为AI智能体打造的仓库维护模拟环境

一个轻量级强化学习环境，模拟开源仓库维护者的Issue分类工作流程，让AI智能体学习如何自动处理GitHub问题报告。

在活跃的开源项目中，维护者经常面临这样的困境：有些Issue报告清晰明确，可以直接标记为bug或功能请求；而另一些则含糊不清，缺乏复现步骤或环境信息。错误的分类可能导致真正的问题被忽视，或者浪费开发者在低质量报告上的时间。

传统的自动化工具通常基于简单的关键词匹配，难以处理这种需要上下文理解的任务。而基于大语言模型的智能体则有潜力做出更 nuanced 的判断——但前提是要有合适的训练环境。

GitHub Issue Triage Env 是一个专门为强化学习设计的紧凑环境，其核心目标是让AI智能体学会像经验丰富的维护者一样处理Issue。环境的设计充分体现了对真实工作场景的深入理解。

智能体在每个时间步会收到一个IssueObservation，包含三个关键字段：

• issue_id：唯一标识符
• title：Issue标题
• body：Issue正文内容

这种设计刻意保持了简洁——与真实世界中维护者第一眼看到的信息一致。没有额外的元数据干扰，智能体必须完全基于文本内容做出判断。

智能体可以选择以下三种动作之一：

1. AddLabel("bug")：标记为缺陷报告
2. AddLabel("enhancement")：标记为功能增强请求
3. RequestMoreInfo：要求报告者提供更多信息

这种设计反映了真实维护者的核心决策：分类问题类型，或者识别出信息不足的情况。

环境的奖励函数经过精心设计，以鼓励智能体做出谨慎而准确的判断：

• 正确分类（+1分）：当智能体对清晰的Issue使用正确的标签时获得
• 合理请求补充信息（+2分）：当智能体对模糊或不完整的Issue选择RequestMoreInfo时获得——这是最高的奖励，体现了环境对"谨慎处理低质量报告"的价值观
• 错误决策（-1分）：错误的动作或错误的标签

值得注意的是，奖励函数对"请求更多信息"给予了最高的正向激励。这反映了现实世界中维护者的一个核心智慧：与其在信息不足的情况下做出错误分类，不如先要求补充信息。这种设计有效避免了智能体在不确定时胡乱猜测的倾向。

项目采用纯Python实现，核心代码包含在几个简洁的文件中：

• environment.py：核心环境和奖励逻辑
• models.py：基于Pydantic的观察/动作数据模型
• dataset.json：包含基准测试样本和期望动作/标签的标注数据
• inference.py：符合OpenEnv标准的推理入口

整个设计遵循"简单、可检查"的原则。环境API是有意最小化和确定性的，奖励行为在environment.py中完全透明，ground truth存储在dataset.json中。代码规模足够小，可以在黑客马拉松等时间受限的场景下快速人工审计。

环境的使用非常直观。首先需要安装Pydantic依赖：

pip install pydantic

然后可以运行一个简单的基线示例：

from environment import IssueEnvironment
from models import AgentAction

env = IssueEnvironment("dataset.json")
obs = env.reset()

done = False
total = 0
while not done:
    # 示例：对所有Issue都请求更多信息
    action = AgentAction(action_type="RequestMoreInfo")
    obs, reward, done, info = env.step(action)
    total += reward

print("Total reward:", total)

这个简单的基线策略——对所有Issue都请求更多信息——虽然保守，但在面对不确定的报告时是一个合理的起点。