SWE-AGILE: Un Marco de Agentes de Software para la Gestión Eficiente de Contextos de Razonamiento Dinámico
SWE-AGILE: A Software Agent Framework for Efficiently Managing Dynamic Reasoning Context
April 13, 2026
Autores: Shuquan Lian, Juncheng Liu, Yazhe Chen, Yuhong Chen, Hui Li
cs.AI
Resumen
Los enfoques representativos previos de estilo ReAct en la Ingeniería de Software (SWE) autónoma suelen carecer del razonamiento explícito de Sistema-2 necesario para un análisis profundo y el manejo de casos extremos complejos. Si bien los modelos de razonamiento recientes demuestran el potencial de las Cadenas de Pensamiento (CoT) extendidas, aplicarlos a la tarea multietapa de SWE crea un dilema fundamental: retener el historial completo de razonamiento conduce a una explosión de contexto y a la degradación por "Pérdida en el Medio", mientras que descartarlo obligaría al agente a re-razonar redundantemente en cada paso. Para abordar estos desafíos, proponemos SWE-AGILE, un novedoso marco de agente de software diseñado para salvar la brecha entre la profundidad del razonamiento, la eficiencia y las restricciones de contexto. SWE-AGILE introduce una estrategia de Contexto de Razonamiento Dinámico, manteniendo una "ventana deslizante" de razonamiento detallado para garantizar continuidad inmediata y evitar re-análisis redundantes, mientras comprime el contenido histórico de razonamiento en Resúmenes de Razonamiento concisos. Empíricamente, SWE-AGILE establece un nuevo estándar para modelos de 7B-8B parámetros en SWE-Bench-Verified utilizando solo 2.2k trayectorias y 896 tareas. El código está disponible en 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.