VT Code 的自纠错魔法:HOVER 循环如何让 AI 从错误中越学越聪明

原创2026-10-24 12:45:051,449 阅读

VT Code 的自纠错魔法:HOVER 循环如何让 AI 从错误中越学越聪明

VT Code 是一个用 Rust 编写的开源终端编程智能体(terminal coding agent),它内置了一套名为 HOVER 循环的自纠错机制:当 AI 执行出错时,不是盲目重试,而是先观察证据、定位失配原因、修正假设后再行动——让 AI 从错误中越学越聪明。本文将用通俗的方式拆解这套机制的工作原理。

🎯 先认识一下 VT Code

VT Code 运行在你的终端里,像一位会写代码的"结对程序员":你用自然语言描述目标,它负责搜索代码、编辑文件、运行命令、验证结果。

VT Code 终端编程智能体启动界面

大多数人用 AI 编程工具都遇到过这样的场景:命令跑失败了,AI 不假思索地原样再跑一遍;或者改了个文件没通过测试,AI 反复提交"看起来差不多"的补丁。这种"撞南墙式重试"既浪费时间,也烧 token。

VT Code 的解法,就是把它编译进运行时行为里的 HOVER 自纠错循环。

🔄 HOVER 循环:六个步骤的纠错飞轮

HOVER 是一个六步循环,完整定义为:Hypothesize(假设)→ Observe(观察)→ Verify(验证)→ Evaluate(评估)→ Revise(修正)→ Repeat(重复)。

步骤 做什么 通俗理解
Hypothesize 假设 提出一个"这样做应该能解决"的假设 先想好"我猜问题出在哪"
Observe 观察 执行动作,收集真实输出与退出码 让事实说话,不看感觉
Verify 验证 用独立的检查器确认结果是否符合预期 自己出题自己验收
Evaluate 评估 对比"预期"与"实际",判断是否失配 考试对答案
Revise 修正 依据证据修正假设与方案 错题分析,而不是重抄一遍
Repeat 重复 只在观察到失配且仍在恢复限额内时才重复 有节制地再来一轮

关键在于 Repeat 是有纪律的:只有"观察到了真实失配"才能进入下一轮,且受既定的恢复限额约束;必需检查一旦通过就停止,直接复用最新证据。

🧩 出错时发生了什么:五种"失配"分类

HOVER 循环的核心难点在于:AI 失败的方式五花八门,笼统地说"你错了"毫无帮助。所以 VT Code 在 hypothesis.rs 中定义了五种具名失配类型(MismatchKind),并按优先级逐一识别:

失配类型 触发场景 系统给出的修订指导
NonZeroExit 非零退出 命令执行返回非零退出码 检查有界证据,修正假设后用纠正后的参数重试
EmptySearch 空搜索 搜索类命令无匹配结果 这是"范围内不存在"的证据,应换范围或换问法,而不是再搜一次
PatchMismatch 补丁失配 补丁上下文与当前文件内容对不上 重读当前文件的精确行,修正补丁假设后只重试一次
VerifierFailed 验证器失败 独立检查器报告失败 对照请求与产物,修正修复方案,但不能放松判定标准
RepeatedEvidence 重复证据 查询只返回之前已经看过的内容 停止重复同一查询,改变范围或方法

分类函数 classify_mismatch 采用固定优先级(补丁失配最高、重复证据最低),确保一次失败总能被归入最相关的那一类,再附上针对性的修订指导——这一步由 hypothesis.rs 中的 revision_guidance 完成。

VT Code 智能体运行中自动执行 cargo check 验证与子代理协作

注意一个精妙之处:空搜索结果被视作"证据"而非"错误"。当搜索没找到东西时,说明"该范围内确实没有",正确的反应是换个思路,而不是换个同义词再搜一遍——这正是很多 AI 助手会陷入的无效循环。

💡 为什么它"越学越聪明"而不是"越试越乱"

光有分类还不够。HOVER 机制让 AI 越学越聪明的秘密在于三层设计:

1️⃣ 结构化诊断,而非一句"失败了"

工具调用失败时,返回给模型的是一个有界的 diagnosis 对象,包含三个字段:observed(观察到了什么)、likely_cause(可能原因)、next_action(下一步动作)。其中 next_action 会自动追加 HOVER 修订框架,把"该往哪个方向改"明确写进模型能看到的反馈里。详见 agent-loop-contract.md 中的说明。

2️⃣ 行为评分:顽固重试会被扣分

evaluator.rs 中的 score_hypothesis_revision 函数用三个计数器给"假设修正行为"打分(0.0 ~ 1.0):

  • stubborn_retries:参数不变、没有新证据的顽固重试
  • evidence_rereads:失配后有针对性的证据重读
  • hypothesis_updates:重试前明确的假设修正

评分逻辑很直白:有产出的行为(重读证据 + 修正假设)占比越高,分数越高;顽固重复占比越高,分数越低。干净运行的会话不会被惩罚(记 1.0 分,"无失配可修");反复撞墙的重试则会跌到阈值以下,在评估报告中亮红灯。

3️⃣ 硬性验收标准:嘴上说"修好了"不算数

官方验收标准要求三者缺一不可:

验收要素 含义
观察到的失配 真的出现过错误,而不是空转
有证据支持的纠正动作 修正方案必须指向报告的具体原因
独立的结果检查 用与修复不同的手段确认最终结果

而以下行为一律不通过:完全相同的重试、只改"化妆"层面的参数、只重读不修正、以及没有证据支撑的"已成功"声明。这些标准完整记录在 hypothesis-revision-validation.md 中。

这套机制的哲学可以概括为:错误不是终点,而是下一次假设的输入——但前提是每次修正都建立在真实证据之上。

🔍 想深入?核心代码与文档在这里

内容 位置
失配分类与修订指导 hypothesis.rs
行为评分函数 evaluator.rs
循环验证标准 hypothesis-revision-validation.md
运行时行为指导 runtime-guidance.md
智能体循环契约 agent-loop-contract.md

📌 总结

VT Code 的 HOVER 循环把"从错误中学习"从一句口号变成了可执行、可验证的工程机制:

  1. 六步循环确保每次失败都会转化为一次"假设 → 证据 → 修正"的完整迭代;
  2. 五种具名失配让错误不再是一团模糊的失败,而是有名字、有对策的具体问题;
  3. 评分与验收保证了 AI 真的在改,而不是在原地打转。

如果你想体验这种"越错越聪明"的终端编程体验,可以在终端中运行 vtcode 进入交互模式,或直接执行 vtcode exec 跑一个任务,观察它失败、诊断、修正的全过程——那正是 HOVER 循环在为你工作。

登录后查看全文
VTCode