SWE-Exp: Resolução de Problemas de Software Orientada por Experiência

SWE-Exp: Experience-Driven Software Issue Resolution

July 31, 2025

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

cs.AI

Resumo

Avanços recentes em agentes de modelos de linguagem de grande escala (LLM) têm demonstrado progresso notável na resolução de problemas de software, utilizando técnicas avançadas como colaboração multiagente e Busca em Árvore de Monte Carlo (MCTS). No entanto, os agentes atuais atuam como exploradores sem memória - tratando cada problema de forma isolada, sem reter ou reutilizar conhecimentos de experiências anteriores de reparo. Isso leva à exploração redundante de trajetórias falhas e à perda de oportunidades para adaptar métodos bem-sucedidos de resolução de problemas a questões semelhantes. Para resolver esse problema, introduzimos o SWE-Exp, uma abordagem aprimorada por experiência que destila conhecimentos concisos e acionáveis a partir de trajetórias anteriores de agentes, permitindo aprendizado contínuo entre problemas. Nosso método introduz um banco de experiências multifacetado que captura tanto tentativas bem-sucedidas quanto falhas de reparo. Especificamente, ele extrai conhecimentos reutilizáveis de resolução de problemas em diferentes níveis - desde a compreensão de alto nível do problema até alterações específicas no código. Experimentos mostram que o SWE-Exp alcança a taxa de resolução mais avançada (41,6% Pass@1) no SWE-bench-Verified sob frameworks de agentes de código aberto. Nossa abordagem estabelece um novo paradigma no qual agentes de engenharia de software automatizada acumulam e utilizam sistematicamente expertise em reparo, mudando fundamentalmente da exploração por tentativa e erro para a resolução estratégica de problemas orientada por experiência.

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.