SWE-Exp: Опыт-ориентированное решение проблем в программном обеспечении

SWE-Exp: Experience-Driven Software Issue Resolution

July 31, 2025

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

cs.AI

Аннотация

Последние достижения в области агентов на основе больших языковых моделей (LLM) продемонстрировали значительный прогресс в решении программных проблем, используя передовые методы, такие как многозадачное взаимодействие агентов и поиск по дереву Монте-Карло (MCTS). Однако текущие агенты действуют как исследователи без памяти — они рассматривают каждую проблему отдельно, не сохраняя и не повторно используя знания из предыдущего опыта исправления. Это приводит к избыточному исследованию неудачных траекторий и упущенным возможностям адаптации успешных методов решения проблем к аналогичным задачам. Для решения этой проблемы мы представляем SWE-Exp, подход, усиленный опытом, который извлекает краткие и практические знания из предыдущих траекторий агентов, обеспечивая непрерывное обучение на основе различных проблем. Наш метод включает в себя многоаспектный банк опыта, который фиксирует как успешные, так и неудачные попытки исправления. В частности, он извлекает повторно используемые знания о решении проблем на разных уровнях — от высокоуровневого понимания проблемы до конкретных изменений в коде. Эксперименты показывают, что SWE-Exp достигает наилучшего показателя успешности (41,6% Pass@1) на тестовом наборе SWE-bench-Verified в рамках открытых фреймворков агентов. Наш подход устанавливает новую парадигму, в которой автоматизированные агенты программной инженерии систематически накапливают и используют экспертизу в исправлении, переходя от исследования методом проб и ошибок к стратегическому, основанному на опыте решению проблем.

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.