SWE-Review: エージェント型コードレビューによる課題解決のループ完結

要旨

コードエージェントは現実世界のソフトウェア課題に対してプルリクエスト（PR）を生成することが増えているが、ワンショットでのPR生成は依然としてオープンループである。すなわち、PRは体系的なレビュー、診断、修正を経ずに提案される。本稿では、このループを閉じるためのフレームワークとしてSWE-Reviewを提案する。これはエージェントによるコードレビューによって実現される。課題とAIが生成したPRが与えられると、レビューエージェントはリポジトリを探索し、PRを受け入れるべきか判断し、修正のための構造化フィードバックを提供する。本設定は、提案するSWE-Review-Benchを用いて評価し、レビューの正確性と下流での修正の有用性の両方を測定する。さらに、エージェントによるレビューのより広範な応用を研究し、オープンなレビュアー学習のためのデータ不足を解消するために、SWE-Review-Trajデータセットを厳選した。実験により、エージェントによるレビューは生成・レビュー・修正ループを通じてPRを継続的に改善し、単一ターンの固定コンテキストレビューと比較して、決定精度と修正後の解決率の両方で優れ、レビューを超えて課題解決モデルの改善に転用可能であり、効果的かつ効率的なテスト時スケーリングを実現することが示された。これらの結果は、エージェントによるコードレビューを、AIコードエージェントをワンショットPR生成からクローズドループの課題解決へと移行させる実用的なメカニズムとして位置づけるものである。

English

Coding agents increasingly generate pull requests (PRs) for real-world software issues, yet one-shot PR generation remains open-loop: the PR is proposed without systematic review, diagnosis, or revision. We introduce SWE-Review, a framework for closing this loop with agentic code review. Given an issue and an AI-generated PR, a reviewer agent explores the repository, decides whether the PR should be accepted, and provides structured feedback for revision. We evaluate this setting with our proposed SWE-Review-Bench to measure both review correctness and downstream revision usefulness. We further curate SWE-Review-Traj dataset to study broader applications of agentic review and fill the data-scarcity gap for open reviewer training. Experiments show that agentic review continuously improves PRs through a generate-review-revise loop, outperforms single-turn fixed-context review in both decision accuracy and resolve rate after revision, transfers beyond review to improve issue-resolution models, and enables effective and efficient test-time scaling. These results position agentic code review as a practical mechanism for moving AI coding agents from one-shot PR generation toward closed-loop issue resolution.