SWE-Exp: Erfahrungsbasierte Lösung von Softwareproblemen

papers.abstract

Jüngste Fortschritte bei Agenten für große Sprachmodelle (LLMs) haben bemerkenswerte Fortschritte bei der Lösung von Softwareproblemen gezeigt, wobei fortschrittliche Techniken wie Multi-Agenten-Kollaboration und Monte-Carlo-Baumsuche (MCTS) genutzt werden. Allerdings agieren aktuelle Agenten als gedächtnislose Entdecker – sie behandeln jedes Problem separat, ohne Wissen aus früheren Reparaturerfahrungen zu behalten oder wiederzuverwenden. Dies führt zu redundanter Erkundung gescheiterter Pfade und verpassten Chancen, erfolgreiche Problemlösungsmethoden auf ähnliche Probleme anzupassen. Um dieses Problem zu lösen, stellen wir SWE-Exp vor, einen erfahrungsgestützten Ansatz, der prägnante und umsetzbare Erfahrungen aus früheren Agentenpfaden destilliert und kontinuierliches Lernen über verschiedene Probleme hinweg ermöglicht. Unsere Methode führt eine vielseitige Erfahrungsbank ein, die sowohl erfolgreiche als auch gescheiterte Reparaturversuche erfasst. Insbesondere extrahiert sie wiederverwendbares Wissen zur Problemlösung auf verschiedenen Ebenen – von der allgemeinen Problemverständnis bis hin zu spezifischen Codeänderungen. Experimente zeigen, dass SWE-Exp eine state-of-the-art Lösungsrate (41,6% Pass@1) auf SWE-bench-Verified unter Open-Source-Agenten-Frameworks erreicht. Unser Ansatz etabliert ein neues Paradigma, in dem automatisierte Softwareentwicklungsagenten systematisch Reparaturkenntnisse sammeln und nutzen, wodurch sich der Fokus grundlegend von einer Versuch-und-Irrtum-Erkundung hin zu einer strategischen, erfahrungsgestützten Problemlösung verschiebt.

English

Recent advances in large language model (LLM) agents have shown remarkable progress in software issue resolution, leveraging advanced techniques such as multi-agent collaboration and Monte Carlo Tree Search (MCTS). However, current agents act as memoryless explorers - treating each problem separately without retaining or reusing knowledge from previous repair experiences. This leads to redundant exploration of failed trajectories and missed chances to adapt successful issue resolution methods to similar problems. To address this problem, we introduce SWE-Exp, an experience - enhanced approach that distills concise and actionable experience from prior agent trajectories, enabling continuous learning across issues. Our method introduces a multi-faceted experience bank that captures both successful and failed repair attempts. Specifically, it extracts reusable issue resolution knowledge at different levels - from high-level problem comprehension to specific code changes. Experiments show that SWE-Exp achieves state-of-the-art resolution rate (41.6% Pass@1) on SWE-bench-Verified under open-source agent frameworks. Our approach establishes a new paradigm in which automated software engineering agents systematically accumulate and leverage repair expertise, fundamentally shifting from trial-and-error exploration to strategic, experience-driven issue resolution.

SWE-Exp: Erfahrungsbasierte Lösung von Softwareproblemen

SWE-Exp: Experience-Driven Software Issue Resolution

papers.abstract

Support