SWE-Exp: 経験駆動型ソフトウェア課題解決

SWE-Exp: Experience-Driven Software Issue Resolution

July 31, 2025

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

cs.AI

要旨

大規模言語モデル（LLM）エージェントの最近の進展は、マルチエージェント協調やモンテカルロ木探索（MCTS）などの高度な技術を活用し、ソフトウェア問題解決において顕著な進歩を示しています。しかし、現在のエージェントはメモリレスな探索者として動作しており、各問題を個別に扱い、以前の修復経験から得た知識を保持または再利用しません。これにより、失敗した軌跡の冗長な探索や、類似の問題に対して成功した問題解決方法を適用する機会を逃すことになります。この問題に対処するため、我々はSWE-Expを導入します。これは、以前のエージェントの軌跡から簡潔で実践的な経験を蒸留し、問題を跨いだ継続的な学習を可能にする経験強化アプローチです。我々の手法は、成功した修復試行と失敗した修復試行の両方を捕捉する多面的な経験バンクを導入します。具体的には、高レベルの問題理解から特定のコード変更まで、異なるレベルで再利用可能な問題解決知識を抽出します。実験結果は、SWE-Expがオープンソースエージェントフレームワーク下でSWE-bench-Verifiedにおいて最先端の解決率（41.6% Pass@1）を達成することを示しています。我々のアプローチは、自動化されたソフトウェアエンジニアリングエージェントが修復専門知識を体系的に蓄積し活用する新たなパラダイムを確立し、試行錯誤的な探索から戦略的で経験駆動型の問題解決へと根本的にシフトします。

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.