MemGovern: 통제된 인간 경험 학습을 통한 코드 에이전트 향상

초록

자율형 소프트웨어 엔지니어링(SWE) 에이전트가 프로그래밍 패러다임을 재편하고 있지만, 현재는 "폐쇄형 세계" 한계를 안고 있습니다. 즉, 이러한 에이전트는 처음부터 또는 로컬 컨텍스트만을 이용해 버그를 수정하려고 시도하며, GitHub와 같은 플랫폼에서 이용 가능한 방대한 역사적 인간 경험을 활용하지 못합니다. 이러한 개방형 세계의 경험에 대한 접근은 실제 이슈 추적 데이터의 비정형적이고 파편화된 특성으로 인해 제약을 받습니다. 본 논문에서는 원시 GitHub 데이터를 에이전트가 실행 가능한 경험 메모리로 변환 및 관리하기 위한 프레임워크인 MemGovern을 소개합니다. MemGovern은 경험 거버넌스를 통해 인간의 경험을 에이전트 친화적인 경험 카드로 변환하고, 인간 전문 지식의 논리 기반 검색을 가능하게 하는 에이전트형 경험 검색 전략을 도입합니다. 135,000개의 관리된 경험 카드를 생성함으로써, MemGovern은 SWE-bench Verified의 해결율을 4.65% 향상시키는 상당한 성능 향상을 달성합니다. 플러그인 방식으로 동작하는 MemGovern은 에이전트 친화적 메모리 인프라에 대한 해결책을 제시합니다.

English

While autonomous software engineering (SWE) agents are reshaping programming paradigms, they currently suffer from a "closed-world" limitation: they attempt to fix bugs from scratch or solely using local context, ignoring the immense historical human experience available on platforms like GitHub. Accessing this open-world experience is hindered by the unstructured and fragmented nature of real-world issue-tracking data. In this paper, we introduce MemGovern, a framework designed to govern and transform raw GitHub data into actionable experiential memory for agents. MemGovern employs experience governance to convert human experience into agent-friendly experience cards and introduces an agentic experience search strategy that enables logic-driven retrieval of human expertise. By producing 135K governed experience cards, MemGovern achieves a significant performance boost, improving resolution rates on the SWE-bench Verified by 4.65%. As a plug-in approach, MemGovern provides a solution for agent-friendly memory infrastructure.

MemGovern: 통제된 인간 경험 학습을 통한 코드 에이전트 향상

MemGovern: Enhancing Code Agents through Learning from Governed Human Experiences

초록

Support