مقاله‌ی arXiv:2606.28434 · در صف خبرنامه
SWE-MeM: Learning Adaptive Memory Management for Long-Horizon Coding Agents
سوئی-مم: یادگیری مدیریت تطبیقی حافظه برای ایجنت‌های کدنویسی بلندمدت
- تاریخ
- (۵ تیر ۱۴۰۵) 2026-06-26 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Shuzheng Gao, Wenhao Zeng, Zhaojian Yu, Jianqiao Wangni, Chaozheng Wang, Kai Cai, Shilin He, Michael R. Lyu
- نهاد نویسنده‌ها
- The Chinese University of Hong Kong; Shanghai Jiao Tong University; Tsinghua University; ByteDance
- برچسب لابراتوار
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
ایجنت‌های مهندسی نرم‌افزار بلندمدت باید تاریخچه‌ی طولانی و پرنویز تعامل را با بودجه‌ی محدود کانتکست مدیریت کنند. روش‌های موجود به گردش‌کارهای فشرده‌سازی ایستا تکیه دارند یا قیدهای سختی بر زمان و دانه‌بندی فشرده‌سازی می‌گذارند، و مدیریت حافظه و حل مشکل را با هم بهینه نمی‌کنند.
روش
چارچوب SWE-MeM یک ابزار حافظه‌ی انعطاف‌پذیر می‌دهد که ایجنت با آن بر اساس وضعیت مسیر، پیشرفت تسک و بودجه‌ی باقی‌مانده تصمیم می‌گیرد کِی، چه چیزی و چطور فشرده کند. ایجنت‌ها با مسیرهای مصنوعی مدیریت پیش‌دستانه‌ی حافظه و نسخه‌ی آگاه از حافظه‌ی GRPO آموزش می‌بینند که مدیریت حافظه و حل مشکل را با تقسیم مسیر آگاه از حافظه و تخصیص اعتبار در سطح گام با هم بهینه می‌کند.
یافته‌ها
- روی SWE-Bench Verified با مدل‌های ۴ و ۳۰ میلیاردی به ترتیب به نرخ حل ۴۳٫۴ و ۶۰٫۲ درصد رسید.
- هم در کارایی و هم در بهره‌وری از پایه‌های موجود مدیریت حافظه بهتر بود.
محدودیت‌ها
مقاله بخش جداگانه‌ای برای محدودیت‌ها ندارد؛ ارزیابی اصلی روی یک بنچمارک انجام شده و چکیده میزان کاهش توکن را نمی‌گوید.
چرا مهم است
فشرده‌سازی با قاعده‌ی ثابت اغلب در زمان نامناسب انجام می‌شود. این کار نشان می‌دهد سپردن تصمیم فشرده‌سازی به خود ایجنت و آموزش هم‌زمان آن با حل مسئله، هم دقت و هم بهره‌وری را بالا می‌برد.