SWE-AGILE: Un Framework per Agenti Software per la Gestione Efficiente di Contesti Dinamici di Ragionamento
SWE-AGILE: A Software Agent Framework for Efficiently Managing Dynamic Reasoning Context
April 13, 2026
Autori: Shuquan Lian, Juncheng Liu, Yazhe Chen, Yuhong Chen, Hui Li
cs.AI
Abstract
I precedenti approcci rappresentativi di tipo ReAct nell'ambito dell'Ingegneria del Software (SWE) autonoma tipicamente mancano del ragionamento esplicito di Sistema-2 necessario per analisi approfondite e per gestire casi limite complessi. Sebbene i recenti modelli di ragionamento dimostrino il potenziale di una Catena di Pensiero (CoT) estesa, applicarli al compito SWE multi-turn crea un dilemma fondamentale: mantenere l'intera cronologia del ragionamento porta a un'esplosione del contesto e a un degrado da "Smarriti-nel-Mezo", mentre scartarla costringerebbe l'agente a ri-ragionare ridondantemente ad ogni passo. Per affrontare queste sfide, proponiamo SWE-AGILE, un nuovo framework per agenti software progettato per colmare il divario tra profondità di ragionamento, efficienza e vincoli contestuali. SWE-AGILE introduce una strategia di Contesto di Ragionamento Dinamico, che mantiene una "finestra scorrevole" di ragionamento dettagliato per la continuità immediata, prevenendo una rianalisi ridondante, mentre comprime il contenuto del ragionamento storico in Sintesi di Ragionamento concise. Empiricamente, SWE-AGILE stabilisce un nuovo standard per modelli da 7B-8B su SWE-Bench-Verified utilizzando solo 2.2k traiettorie e 896 task. Il codice è disponibile all'indirizzo 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.