SWE-AGILE: Ein Software-Agenten-Framework zur effizienten Verwaltung dynamischer Reasoning-Kontexte
SWE-AGILE: A Software Agent Framework for Efficiently Managing Dynamic Reasoning Context
April 13, 2026
Autoren: Shuquan Lian, Juncheng Liu, Yazhe Chen, Yuhong Chen, Hui Li
cs.AI
Zusammenfassung
Bisherige repräsentative ReAct-Ansätze im autonomen Software Engineering (SWE) mangelt es typischerweise an der expliziten System-2-Denkfähigkeit, die für tiefgehende Analysen und die Handhabung komplexer Grenzfälle erforderlich ist. Während neuere Reasoning-Modelle das Potenzial erweiterter Gedankenketten (Chain-of-Thought, CoT) demonstrieren, führt deren Anwendung auf die mehrstufige SWE-Aufgabe zu einem grundlegenden Dilemma: Die Beibehaltung des vollständigen Reasoning-Verlaufs führt zu Kontextexplosion und einem „Lost-in-the-Middle“-Leistungsabfall, während dessen Verwerfung den Agenten zwingen würde, in jedem Schritt redundante Neuüberlegungen anzustellen. Um diese Herausforderungen zu bewältigen, schlagen wir SWE-AGILE vor, ein neuartiges Software-Agenten-Framework, das entwickelt wurde, um die Lücke zwischen Reasoning-Tiefe, Effizienz und Kontextbeschränkungen zu schließen. SWE-AGILE führt eine Dynamic Reasoning Context-Strategie ein, die ein „gleitendes Fenster“ detaillierter Reasoning-Schritte für unmittelbare Kontinuität beibehält, um redundante Neuanalysen zu verhindern, während historische Reasoning-Inhalte zu prägnanten Reasoning Digests komprimiert werden. Empirisch setzt SWE-AGILE mit nur 2.200 Trajektorien und 896 Aufgaben einen neuen Standard für 7B-8B-Modelle auf SWE-Bench-Verified. Der Code ist verfügbar unter https://github.com/KDEGroup/SWE-AGILE.
English
Prior representative ReAct-style approaches in autonomous Software Engineering (SWE) typically lack the explicit System-2 reasoning required for deep analysis and handling complex edge cases. While recent reasoning models demonstrate the potential of extended Chain-of-Thought (CoT), applying them to the multi-turn SWE task creates a fundamental dilemma: retaining full reasoning history leads to context explosion and ``Lost-in-the-Middle'' degradation, while discarding it would force the agent to redundantly re-reason at every step. To address these challenges, we propose SWE-AGILE, a novel software agent framework designed to bridge the gap between reasoning depth, efficiency, and context constraints. SWE-AGILE introduces a Dynamic Reasoning Context strategy, maintaining a ``sliding window'' of detailed reasoning for immediate continuity to prevent redundant re-analyzing, while compressing historical reasoning content into concise Reasoning Digests. Empirically, SWE-AGILE sets a new standard for 7B-8B models on SWE-Bench-Verified using only 2.2k trajectories and 896 tasks. Code is available at https://github.com/KDEGroup/SWE-AGILE.