Знать до исправления: QA-управляемое извлечение знаний из репозитория для разрешения проблем с программным обеспечением

Аннотация

Кодовые агенты на основе языковых моделей (LLM) значительно продвинули автоматическое разрешение проблем в программном обеспечении, однако они по-прежнему крайне подвержены фактическим ошибкам, вызванным недостаточным пониманием репозитория. Современные методы пытаются смягчить это ограничение путём предремонтного исследования репозитория; тем не менее, их стратегии, ориентированные на исправление, исследуют репозиторий без выявления пробелов в знаниях агента, что часто приводит к получению неточного контекста, неспособного устранить лежащий в основе дефицит понимания. В данной статье мы предлагаем ACQUIRE — фреймворк на основе вопросов-ответов (QA) для разрешения проблем в программном обеспечении. По аналогии с тем, как опытные разработчики сначала осмысливают незнакомый код, прежде чем приступить к исправлению, ACQUIRE явным образом приобретает знания о репозитории до начала ремонта. Фреймворк разделяет приобретение знаний и генерацию патчей на два этапа: на первом этапе Вопрошатель и Ответчик совместно получают структурированные знания о репозитории, где Вопрошатель задаёт целенаправленные вопросы, а Ответчик предоставляет обоснованные доказательствами ответы посредством автономного исследования; на втором этапе Решатель использует полученные знания в формате QA для создания информированных патчей. Преобразуя неявные пробелы в знаниях в явное, фактологически достоверное понимание, ACQUIRE ускоряет этапы ремонта, требующие знаний, и позволяет достигать более точного разрешения проблем. Эксперименты на SWE-bench Verified показывают, что ACQUIRE стабильно превосходит репрезентативные предремонтные методы, повышая показатель Pass@1 до 4,4 процентных пункта при незначительном увеличении затрат и времени.

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.