Savoir avant de corriger : Acquisition de connaissances du dépôt pilotée par l'assurance qualité pour la résolution de problèmes logiciels

Résumé

Les agents de codage basés sur les modèles de langage (LLM) ont considérablement fait progresser la résolution automatisée de problèmes logiciels, mais ils restent très sujets à des erreurs factuelles causées par une compréhension insuffisante du dépôt. Des méthodes récentes tentent de pallier cette limitation via une exploration du dépôt avant réparation ; cependant, leurs stratégies axées sur la correction explorent le dépôt sans identifier les lacunes de connaissances de l'agent, produisant souvent un contexte imprécis qui ne comble pas le déficit de compréhension sous-jacent. Dans cet article, nous proposons ACQUIRE, un cadre basé sur des questions-réponses (QA) pour la résolution de problèmes logiciels. Reproduisant la manière dont les développeurs expérimentés comprennent d'abord un code inconnu avant de tenter une correction, ACQUIRE acquiert explicitement les connaissances du dépôt avant la réparation. Le cadre découple l'acquisition de connaissances de la génération de correctifs en deux étapes : dans la première étape, un Questionneur et un Répondeur collaborent pour acquérir des connaissances structurées sur le dépôt, où le Questionneur pose des questions ciblées et le Répondeur produit des réponses fondées sur des preuves par exploration autonome ; dans la deuxième étape, le Résolveur exploite les connaissances QA résultantes pour générer des correctifs informés. En transformant les lacunes de connaissances implicites en une compréhension explicite et fiable sur le plan factuel, ACQUIRE accélère les étapes de réparation nécessitant beaucoup de connaissances et permet une résolution plus précise. Les expériences sur SWE-bench Verified montrent qu'ACQUIRE surpasse systématiquement les méthodes de pré-réparation représentatives, augmentant le Pass@1 jusqu'à 4,4 points de pourcentage avec un coût et un temps supplémentaires modestes.

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.