SWE-리뷰: 에이전트형 코드 리뷰를 통한 이슈 해결 루프 완성

초록

코딩 에이전트들은 실제 소프트웨어 이슈에 대해 점차적으로 풀 리퀘스트(PR)를 생성하고 있지만, 원샷 PR 생성은 여전히 개방 루프 상태에 머물러 있다. 즉, 체계적인 검토, 진단 또는 수정 없이 PR이 제안된다. 본 논문에서는 이러한 루프를 에이전트 기반 코드 리뷰로 폐쇄하는 프레임워크인 SWE-Review를 소개한다. 주어진 이슈와 AI가 생성한 PR에 대해 리뷰어 에이전트가 레포지토리를 탐색하고, 해당 PR을 수락할지 결정하며, 수정을 위한 구조화된 피드백을 제공한다. 우리는 본 설정을 제안한 SWE-Review-Bench를 통해 리뷰 정확성과 하류 수정 유용성을 모두 측정하여 평가한다. 또한, 에이전트 기반 리뷰의 광범위한 적용을 연구하고 개방형 리뷰어 학습을 위한 데이터 부족 문제를 해결하기 위해 SWE-Review-Traj 데이터셋을 구축한다. 실험 결과, 에이전트 기반 리뷰는 생성-검토-수정 루프를 통해 PR을 지속적으로 개선하며, 단일 턴 고정 컨텍스트 리뷰보다 결정 정확도와 수정 후 해결률 모두에서 우수한 성능을 보인다. 또한, 리뷰를 넘어 이슈 해결 모델 개선으로 전이되며, 효과적이고 효율적인 테스트 시간 확장을 가능하게 한다. 이러한 결과는 에이전트 기반 코드 리뷰가 AI 코딩 에이전트를 원샷 PR 생성에서 폐루프 이슈 해결로 전환하는 실용적인 메커니즘임을 보여준다.

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.