SWE-Exp: 경험 기반 소프트웨어 이슈 해결

최근 대규모 언어 모델(LLM) 에이전트의 발전은 다중 에이전트 협업 및 몬테카를로 트리 탐색(MCTS)과 같은 고도화된 기법을 활용하여 소프트웨어 문제 해결 분야에서 놀라운 진전을 보여주고 있다. 그러나 현재의 에이전트들은 기억 없는 탐색자처럼 작동하며, 각 문제를 독립적으로 처리하고 이전의 수정 경험에서 얻은 지식을 보존하거나 재사용하지 않는다. 이로 인해 실패한 탐색 경로를 반복적으로 탐색하게 되고, 유사한 문제에 대해 성공적인 해결 방법을 적절히 적용할 기회를 놓치게 된다. 이러한 문제를 해결하기 위해 우리는 SWE-Exp를 제안한다. 이는 이전 에이전트의 탐색 경로로부터 간결하고 실행 가능한 경험을 추출하여, 문제 간 지속적인 학습을 가능하게 하는 경험 기반 접근법이다. 제안된 방법은 성공적이고 실패한 수정 시도를 모두 포괄하는 다층적 경험 데이터베이스를 도입한다. 구체적으로, 문제 이해의 고수준 개념부터 구체적인 코드 수정 수준까지 재사용 가능한 문제 해결 지식을 추출한다. 실험 결과, SWE-Exp는 오픈소스 에이전트 프레임워크 하에서 SWE-bench-Verified 벤치마크에서 최고 수준의 해결률(41.6% Pass@1)을 달성하였다. 본 연구는 자동화된 소프트웨어 공학 에이전트가 체계적으로 수정 전문 지식을 축적하고 활용하는 새로운 패러다임을 제시하며, 단순한 시행착오 중심의 탐색에서 전략적이고 경험 기반의 문제 해결으로의 근본적인 전환을 이끌어냈다.