SWE-Exp: Risoluzione dei Problemi Software Guidata dall'Esperienza

SWE-Exp: Experience-Driven Software Issue Resolution

July 31, 2025

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

cs.AI

Abstract

I recenti progressi negli agenti basati su modelli linguistici di grandi dimensioni (LLM) hanno dimostrato notevoli miglioramenti nella risoluzione di problemi software, sfruttando tecniche avanzate come la collaborazione multi-agente e la ricerca ad albero Monte Carlo (MCTS). Tuttavia, gli agenti attuali agiscono come esploratori senza memoria, trattando ogni problema separatamente senza conservare o riutilizzare le conoscenze acquisite dalle esperienze di riparazione precedenti. Ciò porta a un'esplorazione ridondante di traiettorie fallite e a opportunità mancate di adattare metodi di risoluzione di successo a problemi simili. Per affrontare questo problema, introduciamo SWE-Exp, un approccio potenziato dall'esperienza che estrae conoscenze concise e applicabili dalle traiettorie precedenti degli agenti, consentendo un apprendimento continuo tra i vari problemi. Il nostro metodo introduce una banca dell'esperienza multifaccetata che cattura sia i tentativi di riparazione riusciti che quelli falliti. Nello specifico, estrae conoscenze riutilizzabili per la risoluzione dei problemi a diversi livelli, dalla comprensione ad alto livello del problema alle modifiche specifiche del codice. Gli esperimenti dimostrano che SWE-Exp raggiunge un tasso di risoluzione all'avanguardia (41,6% Pass@1) su SWE-bench-Verified nell'ambito di framework di agenti open-source. Il nostro approccio stabilisce un nuovo paradigma in cui gli agenti di ingegneria del software automatizzati accumulano e sfruttano sistematicamente l'esperienza di riparazione, passando fondamentalmente da un'esplorazione per tentativi ed errori a una risoluzione strategica e guidata dall'esperienza.

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.