SWE-Exp：经验驱动的软件问题解决方案

大型语言模型（LLM）智能体最近在软件问题解决方面取得了显著进展，利用了多智能体协作和蒙特卡洛树搜索（MCTS）等先进技术。然而，当前的智能体如同无记忆的探索者——它们孤立地处理每个问题，不保留或重用以往修复经验中的知识。这导致了对失败轨迹的冗余探索，并错失了将成功的问题解决方法应用于类似问题的机会。为了解决这个问题，我们引入了SWE-Exp，一种经验增强方法，它从先前的智能体轨迹中提炼出简洁且可操作的经验，从而实现跨问题的持续学习。我们的方法引入了一个多方面的经验库，捕捉成功和失败的修复尝试。具体来说，它在不同层面上提取可重用的问题解决知识——从高层次的问题理解到具体的代码变更。实验表明，在开源智能体框架下，SWE-Exp在SWE-bench-Verified数据集上取得了当前最佳的问题解决率（41.6% Pass@1）。我们的方法建立了一个新范式，即自动化软件工程智能体系统地积累和利用修复专业知识，从根本上将试错式探索转变为战略性的、由经验驱动的问题解决方式。