AdaRepair-Mem 提出自适应经验检索框架
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载记忆检索的三处短板
AdaRepair-Mem 的出发点是先审视已有做法。这类方法把历史修复经验存起来，供大模型在解决仓库级问题时调用。作者在分析中发现三个问题。第一，不同仓库之间的情节记忆分布很不均衡，资源少的仓库能拿到的有效经验非常有限。第二，记忆数量增加并不必然带来修复成功率的单调提升，这说明相关性、质量与冗余程度比记忆总量更关键。第三，记忆积累与修复阶段不匹配，有的仓库存了大量复现经验，补丁生成或补丁精修的经验却很少。这三点共同指向一个判断：记忆增强修复的瓶颈不在存了多少，而在取的是否合适。
覆盖不足时跨库回退
针对第一个问题，框架引入覆盖感知检索。当同一仓库内的记忆不足以支撑当前任务时，检索不再局限于本仓库，而是回退到跨仓库记忆，或按修复类型组织的记忆。这一设计的用意是让低资源仓库也能获得可用的经验支撑，而不是在本地记忆稀薄时无计可施。材料给出的评测结果显示，该框架在覆盖不足的仓库上改善了修复表现，说明回退机制确实在原本薄弱的环节起了作用。需要说明的是，材料只交代了回退的触发条件与来源方向，没有给出回退比例或具体阈值。
按质量排序而非堆量
第二个问题对应质量感知选择。框架对候选记忆按四个维度排序：与当前问题的相关性、历史上的使用效用、具体程度以及冗余程度。这与单纯扩大记忆库的思路形成对照——材料明确指出，记忆更多并不等于修复成功率更高，相关性、质量和冗余才是决定因素。排序机制的作用是压低噪声记忆被检索进来的机会，材料称该框架减少了噪声记忆检索。换句话说，方案把力气花在筛选上，而不是继续往库里堆经验。
按修复阶段分别取用
第三个问题由阶段感知路由处理。框架把修复过程拆成复现、定位、补丁生成、补丁精修与验证几个环节，并为每个环节分别检索对应的记忆，避免用复现经验去顶替补丁阶段的经验。材料提到，该框架更好地支撑了从失败补丁到修复补丁的精修过程。评测在 SWE-Bench-Lite 与 SWE-Bench-Verified 两个基准上进行，论文共 12 页、9 幅图。对读者而言，这项工作的落点是一句可操作的结论：记忆增强修复的关键，是为合适的修复情境取到合适的经验，而非一味积累更多经验。
为什么值得看
解决了 LLM 修复中历史经验利用的三大痛点，提升修复准确率。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。