SWE-Exp : Résolution de problèmes logiciels pilotée par l'expérience

papers.abstract

Les récentes avancées dans les agents de modèles de langage de grande taille (LLM) ont montré des progrès remarquables dans la résolution de problèmes logiciels, en exploitant des techniques avancées telles que la collaboration multi-agents et la recherche arborescente Monte Carlo (MCTS). Cependant, les agents actuels agissent comme des explorateurs sans mémoire - traitant chaque problème séparément sans conserver ou réutiliser les connaissances issues des expériences de réparation précédentes. Cela conduit à une exploration redondante des trajectoires infructueuses et à des occasions manquées d'adapter des méthodes de résolution de problèmes réussies à des problèmes similaires. Pour résoudre ce problème, nous introduisons SWE-Exp, une approche enrichie par l'expérience qui distille des connaissances concises et exploitables à partir des trajectoires précédentes des agents, permettant un apprentissage continu à travers les problèmes. Notre méthode introduit une banque d'expériences multidimensionnelle qui capture à la fois les tentatives de réparation réussies et échouées. Plus précisément, elle extrait des connaissances réutilisables sur la résolution de problèmes à différents niveaux - de la compréhension globale du problème aux modifications spécifiques du code. Les expériences montrent que SWE-Exp atteint un taux de résolution de pointe (41,6% Pass@1) sur SWE-bench-Verified dans le cadre d'agents open-source. Notre approche établit un nouveau paradigme dans lequel les agents d'ingénierie logicielle automatisée accumulent et exploitent systématiquement l'expertise en réparation, passant fondamentalement d'une exploration par essais et erreurs à une résolution de problèmes stratégique et guidée par l'expérience.

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 : Résolution de problèmes logiciels pilotée par l'expérience

SWE-Exp: Experience-Driven Software Issue Resolution

papers.abstract

Support