論文の概要: Retrieval-Oriented Code Representations in Agentic Bug Localization
- arxiv url: http://arxiv.org/abs/2607.11046v1
- Date: Mon, 13 Jul 2026 03:18:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 17:47:21.323299
- Title: Retrieval-Oriented Code Representations in Agentic Bug Localization
- Title（参考訳）: エージェントバグの局所化における検索指向コード表現
- Authors: Genevieve Caumartin, Tse-Hsun, Chen, Diego Elias Costa,
- Abstract要約: 本稿では,ファイルレベルのバグローカライゼーションを表現駆動検索問題として検討する。
コード表現の選択は、ローカライズの有効性とコストの両方に影響を及ぼす。
本研究は,エージェントローカライゼーションパイプラインにおいて,コード表現を第一級の設計選択として扱うべきであることを示唆する。
- 参考スコア（独自算出の注目度）: 17.828273840830374
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: LLM-based agents are increasingly being used to support software development, yet their performance in repository-level tasks depends on retrieving the right code context. Existing studies have explored file-level localization using traditional information retrieval over file paths and raw source code. However, the role of textual code representations in retrieval and localization remains underexplored. We study file-level bug localization as a representation-driven retrieval problem. Across the Long Code Arena (LCA) and SWE-bench Verified (SWE) datasets, we compare five code representations: file paths, raw source code, and three LLM-generated textual representations. Our experiments include lexical, semantic, and LLM-based retrieval, followed by LLM-based post-retrieval ranking. We quantify the cost incurred by a representation through the representation footprint. We find that the choice of code representation affects both localization effectiveness and cost. Role-aware summaries outperform file-path representations by up to 40% Hit@5 while requiring a representation footprint 10.4 to 20.9x smaller than raw source code. Combining complementary representation results and ranking retrieved candidates with an LLM provides further gains of up to 31.9% and 42.0%, respectively. Overall, role-aware summaries provide the best cost-effectiveness trade-off, while raw source code offers effectiveness in some settings at a significantly higher cost. A case study with Agentless reveals the utility of our techniques within a well-known pipeline, reaching 94% Hit@6 on file localization (+4.7% against the baseline). Our findings suggest that code representation should be treated as a first-class design choice in agentic localization pipelines, guided by pipeline stage and cost-accuracy requirements.
- Abstract（参考訳）: LLMベースのエージェントは、ソフトウェア開発をサポートするためにますます使われていますが、リポジトリレベルのタスクのパフォーマンスは、適切なコードコンテキストを取得することに依存します。
既存の研究では、ファイルパスやソースコードの従来の情報検索を用いたファイルレベルのローカライゼーションが検討されている。
しかし,検索とローカライゼーションにおけるテキストコード表現の役割はいまだ解明されていない。
本稿では,ファイルレベルのバグローカライゼーションを表現駆動検索問題として検討する。
また,Long Code Arena (LCA) とSWE-bench Verified (SWE) のデータセットを用いて,ファイルパス,ソースコード,LLM生成したテキスト表現の5つのコード表現を比較した。
我々の実験は語彙、意味、LLMに基づく検索であり、LLMによる検索後ランキングが続く。
表現フットプリントによる表現によるコストの定量化を行う。
コード表現の選択は、ローカライズの有効性とコストの両方に影響を及ぼす。
ロールアウェアの要約は、ファイルパス表現を最大40%のHit@5で上回り、表現のフットプリントは原ソースコードより10.4から20.9倍小さい。
補完的な表現結果とLLMのランク付けされた候補を組み合わせることで、それぞれ31.9%と42.0%の利得が得られる。
全体として、ロールアウェアの要約は、最高のコスト効率のトレードオフを提供するが、ソースコードは、いくつかの設定において、非常に高いコストで効果を提供する。
Agentlessを使ったケーススタディでは、よく知られているパイプライン内での私たちのテクニックの有用性を明らかにし、ファイルローカライゼーションで94%のHit@6に達した(ベースラインに対して+4.7%)。
この結果から,コード表現はエージェントローカライゼーションパイプラインにおける一級設計選択として扱われるべきであることが示唆された。
関連論文リスト
- One Model Is Enough: Native Retrieval Embeddings from LLM Agent Hidden States [5.647839536820347]
本稿では,隠れ状態を直接埋め込み空間にマッピングする軽量プロジェクションヘッドを提案する。
QReCCの会話型検索ベンチマークの実験では、標準生成コードパイプラインと比較して、Recall@10とMRR@10が競合している。
論文 参考訳（メタデータ） (2026-03-09T14:25:35Z) - SweRank: Software Issue Localization with Code Ranking [109.3289316191729]
SweRankは、ソフトウェア問題ローカライゼーションのための効率的な検索と参照のためのフレームワークである。
パブリックなGitHubリポジトリからキュレートされた大規模なデータセットであるSweLocを構築します。
SweRankは最先端の性能を達成し、従来のランキングモデルとコストの高いエージェントベースシステムの両方より優れていることを示す。
論文 参考訳（メタデータ） (2025-05-07T19:44:09Z) - Issue Localization via LLM-Driven Iterative Code Graph Searching [10.396193740828032]
本稿では,学習や索引付けを伴わない,LLM駆動の強力な機能レベルの課題ローカライズ手法であるCoSILを紹介する。
実験の結果、CoSILはSWE-bench LiteとSWE-bench Verifiedで43.3%、44.6%のTop-1ローカライゼーション精度を達成した。
CoSILをAgentlessという問題解決手法に統合すると、問題解決率は2.98%--30.5%向上する。
論文 参考訳（メタデータ） (2025-03-28T13:36:26Z) - LocAgent: Graph-Guided LLM Agents for Code Localization [25.395102705800916]
LocAgentは、グラフベースの表現を通じてコードのローカライゼーションに対処するフレームワークである。
細調整したQwen-2.5-Coder-Instruct-32Bモデルを用いて,SOTAプロプライエタリモデルと比較して,コストを大幅に削減した。
論文 参考訳（メタデータ） (2025-03-12T05:55:01Z) - LaRA: Benchmarking Retrieval-Augmented Generation and Long-Context LLMs -- No Silver Bullet for LC or RAG Routing [70.35888047551643]
本稿では,RAGとLC LLMを厳格に比較するための新しいベンチマークであるLaRAを提案する。
LaRAは4つのQAタスクカテゴリと3種類の自然発生長文の2326のテストケースを含んでいる。
RAGとLCの最適選択は,モデルのパラメータサイズ,長文機能,コンテキスト長,タスクタイプ,取得したチャンクの特性など,複雑な相互作用に依存する。
論文 参考訳（メタデータ） (2025-02-14T08:04:22Z) - ML-Bench: Evaluating Large Language Models and Agents for Machine Learning Tasks on Repository-Level Code [76.84199699772903]
ML-Benchは、既存のコードリポジトリを利用してタスクを実行する現実世界のプログラミングアプリケーションに根ざしたベンチマークである。
LLM(Large Language Model)とAIエージェントの両方を評価するために、事前に定義されたデプロイメント環境でLLMのテキスト-コード変換を評価するML-LLM-Benchと、Linuxサンドボックス環境でエンドツーエンドのタスク実行で自律エージェントをテストするML-Agent-Benchの2つの設定が採用されている。
論文 参考訳（メタデータ） (2023-11-16T12:03:21Z) - Large Language Model-Aware In-Context Learning for Code Generation [75.68709482932903]
大規模言語モデル(LLM)は、コード生成において印象的なコンテキスト内学習(ICL)能力を示している。
コード生成のためのLAIL (LLM-Aware In-context Learning) という新しい学習ベース選択手法を提案する。
論文 参考訳（メタデータ） (2023-10-15T06:12:58Z)
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。