SWE-AGILE: Uma Estrutura de Agente de Software para o Gerenciamento Eficiente de Contexto de Raciocínio Dinâmico
SWE-AGILE: A Software Agent Framework for Efficiently Managing Dynamic Reasoning Context
April 13, 2026
Autores: Shuquan Lian, Juncheng Liu, Yazhe Chen, Yuhong Chen, Hui Li
cs.AI
Resumo
Abordagens representativas anteriores no estilo ReAct na Engenharia de Software (ES) autónoma tipicamente carecem do raciocínio explícito do Sistema 2 necessário para uma análise profunda e para lidar com casos de extremo complexos. Embora modelos de raciocínio recentes demonstrem o potencial de uma Cadeia de Pensamento (CoT) estendida, a sua aplicação à tarefa de ES multi-turn cria um dilema fundamental: reter o histórico completo de raciocínio leva à explosão de contexto e à degradação do fenómeno "Lost-in-the-Middle", enquanto descartá-lo forçaria o agente a raciocinar redundantemente em cada passo. Para enfrentar estes desafios, propomos o SWE-AGILE, uma nova estrutura de agente de software concebida para colmatar a lacuna entre a profundidade do raciocínio, a eficiência e as restrições de contexto. O SWE-AGILE introduz uma estratégia de Contexto de Raciocínio Dinâmico, mantendo uma "janela deslizante" de raciocínio detalhado para garantir continuidade imediata e evitar reanálises redundantes, enquanto comprime o conteúdo do raciocínio histórico em Resumos de Raciocínio concisos. Empiricamente, o SWE-AGILE estabelece um novo padrão para modelos de 7B-8B no SWE-Bench-Verified, utilizando apenas 2,2 mil trajetórias e 896 tarefas. O código está disponível em 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.