SWE-AGILE: 동적 추론 컨텍스트를 효율적으로 관리하기 위한 소프트웨어 에이전트 프레임워크

초록

기존의 대표적인 ReAct 방식 자율 소프트웨어 엔지니어링(SWE) 접근법들은 일반적으로 심층 분석과 복잡한 경계 사례 처리를 위해 필요한 명시적 System-2 추론 능력이 부족했습니다. 최근의 추론 모델들은 확장된 사고 연쇄(CoT)의 잠재력을 보여주지만, 이를 다중 턴 SWE 작업에 적용하면 근본적인 딜레마가 발생합니다: 완전한 추론 이력을 유지하면 컨텍스트 폭발과 '중간 정보 소실' 문제가 발생하는 반면, 이를 버리면 에이전트가 매 단계마다 불필요하게 재추론을 수행해야 합니다. 이러한 문제를 해결하기 위해 우리는 추론 깊이, 효율성, 컨텍스트 제약 간의 격차를 해소하도록 설계된 새로운 소프트웨어 에이전트 프레임워크인 SWE-AGILE을 제안합니다. SWE-AGILE은 동적 추론 컨텍스트 전략을 도입하여, 불필요한 재분석을 방지하기 위한 즉각적인 연속성을 위해 상세 추론의 '슬라이딩 윈도우'를 유지함과 동시과 과거 추론 내용을 간결한 추론 요약본으로 압축합니다. 실험 결과, SWE-AGILE은 단 2.2k 개의 트랙젝토리와 896개의 작업만을 사용하여 SWE-Bench-Verified에서 7B-8B 모델들의 새로운 기준을 수립했습니다. 코드는 https://github.com/KDEGroup/SWE-AGILE 에서 확인할 수 있습니다.

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.

SWE-AGILE: 동적 추론 컨텍스트를 효율적으로 관리하기 위한 소프트웨어 에이전트 프레임워크

SWE-AGILE: A Software Agent Framework for Efficiently Managing Dynamic Reasoning Context

초록

Support