Chronos Enables Code Agents to Reason over Software Evolution

مسئله

درخواست‌های ادغام تاریخی تصمیم‌های طراحی، قیدهای سازگاری و الگوهای پیاده‌سازی پشت وضعیت فعلی کد را ثبت می‌کنند. تجربه‌ی مرتبط با یک تسک تازه ممکن است در چند تغییر مرتبط پخش باشد که توضیحاتشان روی نگرانی‌های متفاوتی تأکید دارند، پس جست‌وجوی معنایی ساده آن‌ها را با هم پیدا نمی‌کند.

روش

چارچوب زمان آزمون Chronos درخواست‌های ادغام‌شده را به کارت‌های تجربه‌ی ساختاریافته تقطیر می‌کند و آن‌ها را با گرافی از رابطه‌های سطح کد، نیت توسعه‌دهنده و سازمانی به هم وصل می‌کند. جست‌وجوی معنایی کارت‌های ورودی را پیدا می‌کند و گسترش چندگامی وزن‌دار تغییرهای مرتبط را بازیابی می‌کند. همین حافظه تولید و انتخاب وصله را هم هدایت می‌کند: دو ایجنت با تمرکز بر تغییر و بر راهبرد اعتبارسنجی هرکدام یک وصله می‌سازند و یک «ناظر تکامل» با مشورت تاریخچه بین آن‌ها انتخاب می‌کند.

یافته‌ها

• روی SWE-Bench Verified، گردش‌کار کامل، ایجنت SWE-Agent را با هر شش مدل پایه‌ی ارزیابی‌شده بهتر کرد، میانگین نرخ حل را از ۶۹٫۲ به ۷۲٫۹ درصد رساند و با MiniMax M2.5 به ۷۹٫۸ درصد رسید.
• با همان مدل، نرخ حل را روی SWE-Bench Pro از ۴۸٫۳ به ۵۱٫۷ و روی FEA-Bench Lite از ۴۱٫۰ به ۴۳٫۵ درصد رساند.
• در ارزیابی انسانی روی ۱۰۰ تسک، بازیابی مبتنی بر گراف میانگین کارت‌های مفید را از ۱٫۲۴ به ۲٫۸۷ نسبت به بازیابی معنایی تخت رساند.

محدودیت‌ها

نویسنده‌ها می‌گویند تقطیر با مدل زبانی ممکن است کانتکست را حذف یا نادرستی وارد کند، ارزیابی انسانی سودمندی را می‌سنجد نه دقت واقعی، دو ارزیاب داخلی ممکن است سوگیری داشته باشند و بنچمارک‌های انتقال فقط با یک مدل ارزیابی شدند.