WARUM DAS WICHTIG IST
Für praktische Software-Agenten macht der Ansatz die sonst implizite Repository-Erkundung prüfbar und trennt Verständnisarbeit von der Patch-Erzeugung.
AI THOR · VISUELLE EINORDNUNG
Vom Forschungsproblem zur praktischen Bedeutung
Aus der vorliegenden Paper-Analyse abgeleitet
Ausgangslage
ACQUIRE lässt einen Agenten Wissenslücken im Repository zuerst als Fragen klären und erzeugt Patches erst auf Basis der evidenzgestützten Antworten.
Methode
QA-gesteuerte Wissensakquisition
Befund
Das Framework trennt Wissensakquisition und Patch-Generierung in zwei Stufen.
Anwendung
Eine Vorbereitungsphase mit gezielten Repository-Fragen vor dem Patch-Agenten einführen.
Grenze
Der QA-Prozess verursacht zusätzlichen Zeit- und Rechenaufwand.
DIE ANALYSE IM DETAIL
Was das Paper Kapitel für Kapitel zeigt.
Die folgenden Abschnitte verdichten die vollständige Paper-Analyse auf Deutsch, ohne die zentralen Argumentationsschritte auszulassen.
Abstract
Das Framework ACQUIRE behandelt das Problem unzureichender Repository-Verständnis bei LLM-basierten Codiereagenten durch eine zweistufige, QA-gesteuerte Wissensakquisition vor der Reparatur. Experimentelle Ergebnisse belegen eine signifikante Verbesserung der Fehlerbehebungsrate bei geringen Zusatzkosten.
Introduction
Beschreibt den Stand der Forschung bei LLM-gestuetzten Codiereagenten und identifiziert mangelndes intermodulares Wissen als Hauptursache von Fehlern. Bisherige voraussetzungsgetriebene Ansätze liefern oft ungenauen Kontext und adressieren das Kernproblem der Wissensluecken nicht.
Limitations bestehender Methoden
Fixorientierte Repository-Exploration versagt darin, explizite Wissenslücken zu adressieren, wodurch ungenaue und fragmentierte Kontextinformationen entstehen, die die Reparaturqualität negativ beeinflussen.
ACQUIRE Framework Design
ACQUIRE entkoppelt explizit Wissensakquisition und Patch-Generierung in zwei Stufen: Fragegenerierung (Questioner) und Beantwortung (Answerer) spezialisieren sich auf gezielte Wissenssammlung, gefolgt von einem Resolver zur informed Patch-Generierung mithilfe des erworbenen QA-Wissens.
Knowledge Acquisition Stage
Die Collaboration von Questioner und Answerer erlaubt eine strukturierte, kontextsensitive Wissenssammlung, die implizite Wissenslücken zu expliziten, evidenzbasierten Antworten formt und so die Grundlage für fundierte Reparaturen schafft.
Patch Generation Stage
Der Resolver nutzt das explizit erworbene QA-Wissen, um korrekte Patches effizienter zu erzeugen, wodurch sowohl Reparaturgenauigkeit als auch -effizienz im Vergleich zu herkoemmlichen Methoden gesteigert werden.
Experimente und Evaluation
Evaluation auf SWE-bench Verified zeigt, dass ACQUIRE bis zu 4.4 Prozentpunkte Verbesserung bei Pass@1 erzielt, bei relativ geringem Mehraufwand, und damit den Stand der Technik bei vorreparativer Repository-Nutzung ueberschreitet.
Fazit
ACQUIRE demonstriert den Mehrwert einer QA-gesteuerten, wissenszentrierten Vorgehensweise zur Fehlerbehebung in grossen Codebasen, indem es Wissenslücken adressiert und die Reparaturpraezision nachhaltig erhoeht.
ABSTRACT IM ORIGINAL LESEN
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.
DIE KERNPUNKTE
- 01
Das Framework trennt Wissensakquisition und Patch-Generierung in zwei Stufen.
- 02
Ein Questioner formuliert gezielte Fragen, ein Answerer sammelt evidenzgestützte Antworten und ein Resolver erzeugt den Patch.
- 03
Der Ansatz adressiert ungenauen Kontext aus rein fix-getriebener Exploration.
- 04
Die Analyse berichtet bis zu 4,4 Prozentpunkte mehr Pass@1 auf SWE-bench Verified.
- 05
Strukturiertes Vorwissen verlagert Aufwand von blindem Suchen auf Reproduktion und Verifikation.
VORGEHEN
- — QA-gesteuerte Wissensakquisition
- — Questioner-Answerer-Resolver-Architektur
- — Evidenzgestützte Repository-Erkundung
- — Patch-Generierung mit strukturiertem Kontext
PRAKTISCHE ANKNÜPFUNGSPUNKTE
- — Eine Vorbereitungsphase mit gezielten Repository-Fragen vor dem Patch-Agenten einführen.
- — Antworten mit Dateireferenzen und beobachtbaren Belegen strukturiert speichern.
- — Questioner, Answerer und Resolver als getrennte, messbare Komponenten implementieren.
- — Mehrwert gegen Kosten und Laufzeit auf SWE-Bench-ähnlichen Aufgaben evaluieren.