SWE-Adept: два LLM-агента для анализа кода и решения задач в репозиториях
Исследователи представили SWE-Adept — фреймворк из двух LLM-агентов для работы с большими кодовыми базами. Один агент ищет проблемные места, второй вносит исправления. На бенчмарках SWE-Bench Lite и Pro система улучшила end-to-end resolve rate до 4,3%.
- SWE-Adept использует двух агентов: локализатор находит участки кода, связанные с задачей, а решатель вносит исправления.
- Для локализации применяется agent-directed depth-first search, который выборочно обходит зависимости кода.
- На SWE-Bench Lite и SWE-Bench Pro фреймворк улучшил end-to-end resolve rate до 4,3% по сравнению с предыдущими подходами.
Команда исследователей опубликовала на arXiv препринт SWE-Adept — фреймворка на основе больших языковых моделей для анализа крупных репозиториев и решения задач в них. Работа направлена на преодоление ограничений LLM в repository-level software engineering (SWE): модели хорошо справляются с изолированными задачами, но испытывают трудности с навигацией по большой кодовой базе и систематическим исправлением ошибок.
SWE-Adept построен как система из двух агентов. Первый — агент локализации — определяет участки кода, связанные с задачей. Второй — агент решения — вносит соответствующие исправления. Такое разделение позволяет каждому агенту сосредоточиться на своей части процесса.
Для локализации используется agent-directed depth-first search: агент выборочно обходит зависимости кода, чтобы не перегружать контекстное окно нерелевантным содержимым. По словам авторов, это повышает точность локализации.
На этапе решения применяются адаптивное планирование и структурированный подход к решению задач. Агент получает специализированные инструменты для отслеживания прогресса и работы с Git. Они связаны с общей рабочей памятью, где хранятся контрольные точки состояния кода, привязанные к шагам выполнения. Это позволяет агенту надёжно управлять версиями: создавать ветки для проверки альтернативных решений и откатывать неудачные правки.
Эксперименты на SWE-Bench Lite и SWE-Bench Pro показали, что SWE-Adept стабильно превосходит предыдущие подходы как в локализации, так и в решении задач. End-to-end resolve rate вырос до 4,3%.
Для профиТехнические детали: архитектура, цифры, ссылки
Архитектура: два агента — localization agent и resolution agent. Локализация выполняется через agent-directed depth-first search по зависимостям кода. Решение использует адаптивное планирование, структурированное решение задач, инструменты отслеживания прогресса и Git-операции.
Память: общая рабочая память хранит контрольные точки состояния кода, индексированные по шагам выполнения, что обеспечивает точный поиск чекпоинтов.
Бенчмарки: SWE-Bench Lite и SWE-Bench Pro. End-to-end resolve rate улучшен до 4,3% относительно предыдущих методов.
Ссылка: arXiv:2603.01327
Вопросы и ответы
- Что такое SWE-Adept?
- Фреймворк из двух LLM-агентов для локализации и решения задач в больших кодовых базах.
- Насколько SWE-Adept лучше предыдущих подходов?
- На SWE-Bench Lite и SWE-Bench Pro end-to-end resolve rate улучшен до 4,3%.
