SWE-Exp: Resolución de Problemas de Software Basada en Experiencia

SWE-Exp: Experience-Driven Software Issue Resolution

July 31, 2025

Autores: Silin Chen, Shaoxin Lin, Xiaodong Gu, Yuling Shi, Heng Lian, Longfei Yun, Dong Chen, Weiguo Sun, Lin Cao, Qianxiang Wang

cs.AI

Resumen

Los recientes avances en agentes de modelos de lenguaje de gran escala (LLM) han mostrado un progreso notable en la resolución de problemas de software, aprovechando técnicas avanzadas como la colaboración multiagente y la búsqueda en árbol de Monte Carlo (MCTS). Sin embargo, los agentes actuales actúan como exploradores sin memoria, tratando cada problema de forma independiente sin retener o reutilizar el conocimiento de experiencias previas de reparación. Esto conduce a una exploración redundante de trayectorias fallidas y a oportunidades perdidas para adaptar métodos exitosos de resolución de problemas a situaciones similares. Para abordar este problema, presentamos SWE-Exp, un enfoque mejorado con experiencia que destila conocimiento conciso y accionable a partir de trayectorias previas de los agentes, permitiendo un aprendizaje continuo entre problemas. Nuestro método introduce un banco de experiencias multifacético que captura tanto intentos exitosos como fallidos de reparación. Específicamente, extrae conocimiento reutilizable para la resolución de problemas en diferentes niveles, desde la comprensión general del problema hasta cambios específicos en el código. Los experimentos muestran que SWE-Exp alcanza una tasa de resolución de vanguardia (41.6% Pass@1) en SWE-bench-Verified bajo marcos de agentes de código abierto. Nuestro enfoque establece un nuevo paradigma en el que los agentes de ingeniería de software automatizados acumulan y aprovechan sistemáticamente la experiencia en reparaciones, cambiando fundamentalmente de una exploración por ensayo y error a una resolución estratégica de problemas basada en la experiencia.

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.