SWE-AGILE: Фреймворк программных агентов для эффективного управления динамическим контекстом рассуждений

SWE-AGILE: A Software Agent Framework for Efficiently Managing Dynamic Reasoning Context

April 13, 2026

Авторы: Shuquan Lian, Juncheng Liu, Yazhe Chen, Yuhong Chen, Hui Li

cs.AI

Аннотация

Предыдущие подходы к автономной разработке программного обеспечения (ПО) в стиле ReAct, как правило, не обладают явным системным мышлением второго типа (System-2), необходимым для глубокого анализа и обработки сложных граничных случаев. Хотя современные модели рассуждений демонстрируют потенциал расширенной цепочки мыслей (CoT), их применение к многопроходной задаче разработки ПО создает фундаментальную дилемму: сохранение полной истории рассуждений приводит к взрывному росту контекста и деградации по типу «потери в середине», а их отбрасывание заставит агента избыточно переанализировать на каждом шаге. Для решения этих проблем мы предлагаем SWE-AGILE — новую framework-архитектуру программного агента, предназначенную для устранения разрыва между глубиной рассуждений, эффективностью и ограничениями контекста. SWE-AGILE представляет стратегию динамического контекста рассуждений, которая поддерживает «скользящее окно» детальных рассуждений для обеспечения непрерывности и предотвращения избыточного переанализа, одновременно сжимая историю рассуждений в лаконичные сводки (Reasoning Digests). Экспериментально SWE-AGILE устанавливает новый стандарт для моделей объемом 7–8 миллиардов параметров на SWE-Bench-Verified, используя всего 2.2 тысячи траекторий и 896 задач. Код доступен по адресу 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.