通过 LLM 驱动的迭代代码图搜索实现问题定位
软件工程
2025-10-13 v3 人工智能
计算与语言
摘要
问题解决旨在根据问题描述生成修复报告问题的 patch。准确的问题定位是实现问题解决的基础。最近的 LLM 驱动的问题定位方法已展现出领先性能。然而，这些方法要么从问题描述中提及的文件中搜索，要么遍历整个仓库，难以在搜索空间的广度和深度之间取得平衡，以有效收敛于目标。此外，允许 LLM 自由探索整个仓库，使得控制搜索方向以防止 LLM 搜索错误目标变得具有挑战性。本文引入 CoSIL，一种无需训练或索引的 LLM 驱动、强大的函数级问题定位方法。CoSIL 采用两种阶段的代码图搜索策略：首先利用动态构建的模块调用图在文件层面进行广泛探索，然后通过将模块调用图扩展为函数调用图并执行迭代搜索，在函数层面进行深入分析。为精确控制搜索方向，CoSIL 设计了一个 prune 模块，用于过滤不相关的方向和上下文。为避免长上下文中的错误交互格式，CoSIL 引入一种反思机制，使用额外的独立查询在短上下文中提升格式化能力。实验结果表明，CoSIL 在 SWE-bench Lite 和 SWE-bench Verified 上实现了 43.3% 和 44.6% 的 Top-1 定位准确率，使用 Qwen2.5-Coder-32B，平均性能显著优于最新方法 96.04%。当 CoSIL 集成到问题解决方法中时，Agentless 的问题解决率提高了 2.98%--30.5%。
引用
@article{arxiv.2503.22424,
title = {Issue Localization via LLM-Driven Iterative Code Graph Searching},
author = {Zhonghao Jiang and Xiaoxue Ren and Meng Yan and Wei Jiang and Yong Li and Zhongxin Liu},
journal= {arXiv preprint arXiv:2503.22424},
year = {2025}
}
备注
Accepted by ASE 2025