大規模言語モデル（LLM）エージェントにおける最近の進展により、マルチエージェント協調やモンテカルロ木探索（MCTS）といった先進的手法を活用したソフトウェア問題の解決において顕著な進歩が見られた。しかし、現行のエージェントは記憶のない探索者として機能しており、過去の修正経験から得た知識を保持または再利用せずに、各問題を独立して処理している。その結果、失敗した探索経路の繰り返し探索が生じ、類似した問題に対して成功した解決手法を適応させる機会を逃すことが頻発する。この問題に対処するため、本研究ではSWE-Expを提案する。これは、過去のエージェントの探索経路から簡潔かつ実行可能な経験を抽出・凝縮し、問題間で継続的な学習を可能にする経験強化型アプローチである。本手法は、成功しただけでなく失敗した修復試行も含む多面的な経験バンクを導入しており、問題の高レベルな理解から具体的なコード変更まで、異なるレベルで再利用可能な問題解決知識を抽出する。実験の結果、SWE-bench-Verifiedデータセットにおいて、オープンソースエージェントフレームワーク上でSWE-Expは最新の解決率（Pass@1：41.6%）を達成した。本研究のアプローチは、自動化されたソフトウェア工学エージェントが体系的に修復の専門知識を蓄積・活用する新しいパラダイムを確立し、試行錯誤に基づく探索から戦略的で経験に基づく問題解決へと根本的な転換をもたらすものである。