수정 전에 알기: QA 주도의 저장소 지식 획득을 통한 소프트웨어 이슈 해결

초록

LLM 기반 코딩 에이전트는 자동화된 소프트웨어 이슈 해결에서 상당한 발전을 이루었으나, 저장소 이해 부족으로 인한 사실 오류에 여전히 취약하다. 최근 방법들은 수리 전 저장소 탐색을 통해 이러한 한계를 완화하려 시도하지만, 이들의 수정 중심 전략은 에이전트의 지식 격차를 식별하지 않고 저장소를 탐색하여 종종 근본적인 이해 결핍을 해소하지 못하는 부정확한 맥락을 산출한다. 본 논문에서는 소프트웨어 이슈 해결을 위한 QA 기반 프레임워크인 ACQUIRE를 제안한다. 숙련된 개발자가 수정을 시도하기 전에 먼저 익숙하지 않은 코드를 이해하는 방식을 반영하여, ACQUIRE는 수리 전에 명시적으로 저장소 지식을 획득한다. 이 프레임워크는 지식 획득을 패치 생성과 분리하여 두 단계로 진행한다. 첫 번째 단계에서는 질문자와 응답자가 협력하여 구조화된 저장소 지식을 획득하는데, 질문자는 목표 지향적인 질문을 제기하고 응답자는 자율 탐색을 통해 증거에 기반한 답변을 생성한다. 두 번째 단계에서는 해결자가 획득된 QA 지식을 활용하여 정보 기반 패치를 생성한다. 암묵적 지식 격차를 명시적이고 사실적으로 신뢰할 수 있는 이해로 전환함으로써, ACQUIRE는 지식 집약적 수리 단계를 가속화하고 더 정확한 해결을 가능하게 한다. SWE-bench Verified에서의 실험 결과, ACQUIRE는 대표적인 수리 전 방법들을 일관되게 능가하며, 적은 추가 비용과 시간으로 Pass@1을 최대 4.4퍼센트 포인트 향상시킨다.

English

LLM-based coding agents have significantly advanced automated software issue resolution, yet they remain highly prone to factual errors caused by insufficient repository understanding. Recent methods attempt to mitigate this limitation through pre-repair repository exploration; however, their fix-driven strategies explore repositories without identifying the agent's knowledge gaps, often yielding imprecise context that fails to bridge the underlying understanding deficit. In this paper, we propose ACQUIRE, a QA-driven framework for software issue resolution. Mirroring how experienced developers first comprehend unfamiliar code before attempting a fix, ACQUIRE explicitly acquires repository knowledge prior to repair. The framework decouples knowledge acquisition from patch generation through two stages: in the first stage, a Questioner and an Answerer collaborate to acquire structured repository knowledge, where the Questioner poses targeted questions and the Answerer produces evidence-grounded answers through autonomous exploration; in the second stage, the Resolver leverages the resulting QA knowledge to generate informed patches. By transforming implicit knowledge gaps into explicit, factually reliable understanding, ACQUIRE accelerates knowledge-intensive repair stages and enables more accurate resolution. Experiments on SWE-bench Verified demonstrate that ACQUIRE consistently outperforms representative pre-repair methods, raising Pass@1 by up to 4.4 percentage points with modest additional cost and time.