SWE-AGILE: Een Software Agent Framework voor het Efficiënt Beheren van Dynamische Redeneercontext
SWE-AGILE: A Software Agent Framework for Efficiently Managing Dynamic Reasoning Context
April 13, 2026
Auteurs: Shuquan Lian, Juncheng Liu, Yazhe Chen, Yuhong Chen, Hui Li
cs.AI
Samenvatting
Eerdere representatieve ReAct-stijlbenaderingen in autonome Software Engineering (SWE) ontberen doorgaans de expliciete Systeem-2-redenering die nodig is voor diepgaande analyse en het afhandelen van complexe edge cases. Hoewel recente redeneermodellen het potentieel van uitgebreide Chain-of-Thought (CoT) aantonen, creëert de toepassing ervan op de multi-turn SWE-taak een fundamenteel dilemma: het behouden van de volledige redeneergeschiedenis leidt tot contextexplosie en "Lost-in-the-Middle"-degradatie, terwijl het verwijderen ervan de agent zou dwingen om bij elke stap redundant opnieuw te redeneren. Om deze uitdagingen aan te pakken, stellen we SWE-AGILE voor, een nieuw software-agentraamwerk ontworpen om de kloof te overbruggen tussen redeneringsdiepte, efficiëntie en contextbeperkingen. SWE-AGILE introduceert een Dynamische Redeneercontext-strategie, die een "glijdend venster" van gedetailleerde redenering handhaaft voor onmiddellijke continuïteit om redundante heranalyse te voorkomen, terwijl historische redeneerinhoud wordt gecomprimeerd tot beknopte Redeneersamenvattingen. Empirisch gezien stelt SWE-AGILE een nieuwe standaard voor 7B-8B modellen op SWE-Bench-Verified met slechts 2.2k trajecten en 896 taken. Code is beschikbaar op https://github.com/KDEGroup/SWE-AGILE.
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.