Erst Wissen, dann Behebung: QA-getriebene Wissensakquisition aus Repositorien zur Softwarefehlerbehebung

Zusammenfassung

Auf LLMs basierende Codierungsagenten haben die automatisierte Behebung von Softwareproblemen erheblich vorangebracht, sind jedoch weiterhin stark anfällig für Sachfehler, die durch ein unzureichendes Repository-Verständnis verursacht werden. Neuere Methoden versuchen, diese Einschränkung durch eine reparaturvorbereitende Repository-Erkundung zu mildern; jedoch durchsuchen ihre fix-getriebenen Strategien das Repository, ohne die Wissenslücken des Agenten zu identifizieren, und liefern oft ungenaue Kontexte, die das zugrunde liegende Verständnisdefizit nicht beheben. In dieser Arbeit schlagen wir ACQUIRE vor, ein QA-gestütztes Framework zur Behebung von Softwareproblemen. In Anlehnung daran, wie erfahrene Entwickler zunächst unbekannten Code verstehen, bevor sie eine Korrektur versuchen, erwirbt ACQUIRE explizit Repository-Wissen vor der Reparatur. Das Framework entkoppelt die Wissensakquise von der Patch-Generierung durch zwei Phasen: In der ersten Phase arbeiten ein Fragesteller und ein Antworter zusammen, um strukturiertes Repository-Wissen zu erwerben, wobei der Fragesteller gezielte Fragen stellt und der Antworter durch autonome Erkundung evidenzbasierte Antworten erstellt; in der zweiten Phase nutzt der Resolver das resultierende QA-Wissen, um informierte Patches zu generieren. Indem implizite Wissenslücken in explizites, faktisch zuverlässiges Verständnis umgewandelt werden, beschleunigt ACQUIRE wissensintensive Reparaturphasen und ermöglicht eine genauere Lösung. Experimente auf SWE-bench Verified zeigen, dass ACQUIRE repräsentative Reparatur-vorbereitende Methoden durchgängig übertrifft und Pass@1 um bis zu 4,4 Prozentpunkte bei moderaten zusätzlichen Kosten und Zeitaufwand steigert.

English

LLM-based coding agents have significantly advanced automated software issue resolution, yet they remain highly prone to factual errors caused by insufficient repository understanding. Recent methods attempt to mitigate this limitation through pre-repair repository exploration; however, their fix-driven strategies explore repositories without identifying the agent's knowledge gaps, often yielding imprecise context that fails to bridge the underlying understanding deficit. In this paper, we propose ACQUIRE, a QA-driven framework for software issue resolution. Mirroring how experienced developers first comprehend unfamiliar code before attempting a fix, ACQUIRE explicitly acquires repository knowledge prior to repair. The framework decouples knowledge acquisition from patch generation through two stages: in the first stage, a Questioner and an Answerer collaborate to acquire structured repository knowledge, where the Questioner poses targeted questions and the Answerer produces evidence-grounded answers through autonomous exploration; in the second stage, the Resolver leverages the resulting QA knowledge to generate informed patches. By transforming implicit knowledge gaps into explicit, factually reliable understanding, ACQUIRE accelerates knowledge-intensive repair stages and enables more accurate resolution. Experiments on SWE-bench Verified demonstrate that ACQUIRE consistently outperforms representative pre-repair methods, raising Pass@1 by up to 4.4 percentage points with modest additional cost and time.