SWE-AGILE : Un Cadre d'Agent Logiciel pour la Gestion Efficace du Contexte de Raisonnement Dynamique
SWE-AGILE: A Software Agent Framework for Efficiently Managing Dynamic Reasoning Context
April 13, 2026
Auteurs: Shuquan Lian, Juncheng Liu, Yazhe Chen, Yuhong Chen, Hui Li
cs.AI
Résumé
Les approches représentatives antérieures de type ReAct dans le domaine de l'ingénierie logicielle autonome (SWE) manquent généralement du raisonnement explicite de type Système 2 nécessaire pour une analyse approfondie et la gestion de cas limites complexes. Si les modèles de raisonnement récents démontrent le potentiel des chaînes de pensée (CoT) étendues, leur application à la tâche SWE multi-tours crée un dilemme fondamental : conserver l'intégralité de l'historique de raisonnement entraîne une explosion du contexte et une dégradation du type « perte au milieu », tandis que l'ignorer forcerait l'agent à raisonner de manière redondante à chaque étape. Pour relever ces défis, nous proposons SWE-AGILE, un nouveau cadre d'agent logiciel conçu pour combler le fossé entre la profondeur du raisonnement, l'efficacité et les contraintes de contexte. SWE-AGILE introduit une stratégie de Contexte de Raisonnement Dynamique, maintenant une « fenêtre glissante » de raisonnement détaillé pour assurer la continuité immédiate et éviter les ré-analyses redondantes, tout en compressant le contenu raisonné historique en des Bilan de Raisonnement concis. Empiriquement, SWE-AGILE établit une nouvelle référence pour les modèles 7B-8B sur SWE-Bench-Verified en utilisant seulement 2,2k trajectoires et 896 tâches. Le code est disponible à l'adresse 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.