SWE-Exp: Ervaringsgestuurde Oplossing van Softwareproblemen

SWE-Exp: Experience-Driven Software Issue Resolution

July 31, 2025

Auteurs: Silin Chen, Shaoxin Lin, Xiaodong Gu, Yuling Shi, Heng Lian, Longfei Yun, Dong Chen, Weiguo Sun, Lin Cao, Qianxiang Wang

cs.AI

Samenvatting

Recente ontwikkelingen in grote taalmodel (LLM) agents hebben opmerkelijke vooruitgang geboekt in het oplossen van softwareproblemen, waarbij geavanceerde technieken zoals multi-agent samenwerking en Monte Carlo Tree Search (MCTS) worden benut. Huidige agents gedragen zich echter als geheugenloze verkenners - ze behandelen elk probleem afzonderlijk zonder kennis van eerdere reparatie-ervaringen te behouden of te hergebruiken. Dit leidt tot overbodige verkenning van mislukte trajecten en gemiste kansen om succesvolle oplossingsmethoden toe te passen op vergelijkbare problemen. Om dit probleem aan te pakken, introduceren we SWE-Exp, een ervaringsversterkte aanpak die beknopte en bruikbare ervaring destilleert uit eerdere agenttrajecten, waardoor continu leren over problemen heen mogelijk wordt. Onze methode introduceert een veelzijdige ervaringsbank die zowel geslaagde als mislukte reparatiepogingen vastlegt. Specifiek extraheert het herbruikbare kennis over probleemoplossing op verschillende niveaus - van hoogwaardige probleembegrip tot specifieke codewijzigingen. Experimenten tonen aan dat SWE-Exp een state-of-the-art oplossingspercentage (41,6% Pass@1) behaalt op SWE-bench-Verified onder open-source agentframeworks. Onze aanpak vestigt een nieuw paradigma waarin geautomatiseerde software engineering agents systematisch reparatie-expertise accumuleren en benutten, wat een fundamentele verschuiving inhoudt van trial-and-error verkenning naar strategische, ervaringsgedreven probleemoplossing.

English

Recent advances in large language model (LLM) agents have shown remarkable progress in software issue resolution, leveraging advanced techniques such as multi-agent collaboration and Monte Carlo Tree Search (MCTS). However, current agents act as memoryless explorers - treating each problem separately without retaining or reusing knowledge from previous repair experiences. This leads to redundant exploration of failed trajectories and missed chances to adapt successful issue resolution methods to similar problems. To address this problem, we introduce SWE-Exp, an experience - enhanced approach that distills concise and actionable experience from prior agent trajectories, enabling continuous learning across issues. Our method introduces a multi-faceted experience bank that captures both successful and failed repair attempts. Specifically, it extracts reusable issue resolution knowledge at different levels - from high-level problem comprehension to specific code changes. Experiments show that SWE-Exp achieves state-of-the-art resolution rate (41.6% Pass@1) on SWE-bench-Verified under open-source agent frameworks. Our approach establishes a new paradigm in which automated software engineering agents systematically accumulate and leverage repair expertise, fundamentally shifting from trial-and-error exploration to strategic, experience-driven issue resolution.