Kennis voor Herstel: QA-gestuurde Kennisverwerving uit Repository voor Softwareprobleemoplossing

Samenvatting

Op LLM gebaseerde codeeragenten hebben de geautomatiseerde oplossing van softwareproblemen aanzienlijk verbeterd, maar ze blijven zeer vatbaar voor feitelijke fouten als gevolg van onvoldoende repositorybegrip. Recente methoden proberen deze beperking te verhelpen door middel van repositoryverkenning vóór reparatie; echter, hun op reparatie gerichte strategieën verkennen de repository zonder de kennishiaten van de agent te identificeren, wat vaak leidt tot onnauwkeurige context die het onderliggende begripstekort niet overbrugt. In dit artikel stellen we ACQUIRE voor, een op QA (vraag-en-antwoord) gebaseerd raamwerk voor het oplossen van softwareproblemen. In navolging van hoe ervaren ontwikkelaars eerst onbekende code doorgronden alvorens een reparatie te proberen, verwerft ACQUIRE expliciet repositorykennis vóór de reparatie. Het raamwerk ontkoppelt kennisverwerving van patchgeneratie in twee fasen: in de eerste fase werken een Vraagsteller en een Beantwoorder samen om gestructureerde repositorykennis te vergaren, waarbij de Vraagsteller gerichte vragen stelt en de Beantwoorder op bewijs gebaseerde antwoorden produceert door autonome verkenning; in de tweede fase gebruikt de Oplosser de resulterende QA-kennis om geïnformeerde patches te genereren. Door impliciete kennishiaten om te zetten in expliciet, feitelijk betrouwbaar begrip, versnelt ACQUIRE kennisintensieve reparatiefasen en maakt het nauwkeurigere oplossingen mogelijk. Experimenten op SWE-bench Verified tonen aan dat ACQUIRE consequent beter presteert dan representatieve methoden vóór reparatie, met een stijging van Pass@1 met tot 4,4 procentpunten tegen bescheiden extra kosten en tijd.

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.