論文の概要: SWE-AGILE: A Software Agent Framework for Efficiently Managing Dynamic Reasoning Context
- arxiv url: http://arxiv.org/abs/2604.11716v1
- Date: Mon, 13 Apr 2026 16:52:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:16.696622
- Title: SWE-AGILE: A Software Agent Framework for Efficiently Managing Dynamic Reasoning Context
- Title（参考訳）: SWE-AGILE:動的推論コンテキストを効率的に管理するソフトウェアエージェントフレームワーク
- Authors: Shuquan Lian, Juncheng Liu, Yazhe Chen, Yuhong Chen, Hui Li,
- Abstract要約: SWE-AGILEは、推論深さ、効率、コンテキスト制約の間のギャップを埋めるために設計された、新しいソフトウェアエージェントフレームワークである。
SWE-AGILEはSWE-Bench-Verified上で2.2k軌道と896タスクのみを使用して7B-8Bモデルの新しい標準を設定する。
- 参考スコア（独自算出の注目度）: 7.246620955102653
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Prior representative ReAct-style approaches in autonomous Software Engineering (SWE) typically lack the explicit System-2 reasoning required for deep analysis and handling complex edge cases. While recent reasoning models demonstrate the potential of extended Chain-of-Thought (CoT), applying them to the multi-turn SWE task creates a fundamental dilemma: retaining full reasoning history leads to context explosion and ``Lost-in-the-Middle'' degradation, while discarding it would force the agent to redundantly re-reason at every step. To address these challenges, we propose SWE-AGILE, a novel software agent framework designed to bridge the gap between reasoning depth, efficiency, and context constraints. SWE-AGILE introduces a Dynamic Reasoning Context strategy, maintaining a ``sliding window'' of detailed reasoning for immediate continuity to prevent redundant re-analyzing, while compressing historical reasoning content into concise Reasoning Digests. Empirically, SWE-AGILE sets a new standard for 7B-8B models on SWE-Bench-Verified using only 2.2k trajectories and 896 tasks. Code is available at https://github.com/KDEGroup/SWE-AGILE.
- Abstract（参考訳）: 従来、自律ソフトウェア工学(SWE)におけるReActスタイルのアプローチには、複雑なエッジケースの詳細な分析や処理に必要なSystem-2推論が欠如していた。
最近の推論モデルは、CoT(Chain-of-Thought)の拡張の可能性を示しているが、それらをマルチターンSWEタスクに適用すると、基本的なジレンマが生じる: 完全な推論履歴を保持することは、コンテキストの爆発と‘Lost-in-the-Middle’の劣化につながる。
これらの課題に対処するため、我々は、推論深さ、効率、コンテキスト制約の間のギャップを埋めるために設計された、新しいソフトウェアエージェントフレームワークであるSWE-AGILEを提案する。
SWE-AGILEは動的推論コンテキスト戦略を導入し、簡潔な推論ダイジェストに歴史的推論内容を圧縮しながら、冗長な再解析を防止するために、即時連続性のための詳細な推論の '`sliding window''' を維持している。
経験的に、SWE-AGILEはSWE-Bench-Verified上で2.2k軌道と896タスクのみを使用して7B-8Bモデルの新しい標準を設定する。
コードはhttps://github.com/KDEGroup/SWE-AGILE.comで入手できる。
関連論文リスト
- Dynamic analysis enhances issue resolution [53.50448142467294]
DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。
テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。
Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
論文 参考訳（メタデータ） (2026-03-23T14:48:54Z) - LaSER: Internalizing Explicit Reasoning into Latent Space for Dense Retrieval [74.72139580745511]
LaSERは、レトリバーの潜在空間に明示的な推論を内部化する、新しい自己蒸留フレームワークである。
提案手法は, 明示的なCoTパイプラインの推論深度と, 標準的な高密度検索器の推論効率をうまく組み合わせる。
論文 参考訳（メタデータ） (2026-03-02T04:11:18Z) - OMG-Agent: Toward Robust Missing Modality Generation with Decoupled Coarse-to-Fine Agentic Workflows [9.617220633655716]
textbfunderlineOmni-textbfunderlineModality textbfunderlineGeneration Agent (textbfOMG-Agent)について述べる。
論文 参考訳（メタデータ） (2026-02-04T02:25:40Z) - Structured Reasoning for Large Language Models [59.215789462977206]
本研究では、推論を明示的、評価可能、トレーニング可能なコンポーネントに分解するフレームワークであるStructured Reasoning(SCR)を提案する。
SCRは推論効率と自己検証を大幅に改善する。
既存の推論パラダイムと比較して、出力トークンの長さを最大50%削減する。
論文 参考訳（メタデータ） (2026-01-12T04:04:01Z) - Context as a Tool: Context Management for Long-Horizon SWE-Agents [38.950807465620365]
我々は,エージェントの意思決定プロセスに統合された呼び出し可能なツールにコンテキストメンテナンスを高める新しいコンテキスト管理パラダイムであるCATを提案する。
CATは、安定なタスクセマンティクス、凝縮した長期記憶、高忠実な短期相互作用からなる構造化されたコンテキストワークスペースを形式化する。
我々は,SWE圧縮機が57.6%の解率に達し,ReActベースのエージェントと静的圧縮ベースラインを著しく上回っていることを示す。
論文 参考訳（メタデータ） (2025-12-26T17:15:47Z) - SCRUTINEER: Detecting Logic-Level Usage Violations of Reusable Components in Smart Contracts [41.56019272656647]
SCRUTINEERは、SCRの論理レベルの使用法違反を検出する自動システムである。
SCRUTINEERの精度は80.77%、リコールは82.35%、F1スコアは81.55%である。
論文 参考訳（メタデータ） (2025-11-14T15:41:56Z) - Thinking Longer, Not Larger: Enhancing Software Engineering Agents via Scaling Test-Time Compute [61.00662702026523]
より大規模なモデルではなく、推論時間の増加を活用する統合されたテスト時間計算スケーリングフレームワークを提案する。
当社のフレームワークには,内部TTCと外部TTCの2つの補完戦略が組み込まれている。
当社の textbf32B モデルは,DeepSeek R1 671B や OpenAI o1 など,はるかに大きなモデルを上回る 46% の課題解決率を実現している。
論文 参考訳（メタデータ） (2025-03-31T07:31:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。