核心发现
方法论
OrcaLoca框架结合优先级调度、动作分解和距离感知上下文修剪来提高软件问题定位的准确性。优先级调度通过动态调整动作顺序来优化代码库的探索过程。动作分解则通过相关性评分将高层动作细化为子动作，确保探索的全面性。距离感知上下文修剪通过过滤无关数据，保持探索的聚焦性。
关键结果
- OrcaLoca在SWE-bench Lite上实现了65.33%的功能匹配率，成为新的开源SOTA。
- 通过补丁生成集成，OrcaLoca将开源框架的最终解决率提高了6.33个百分点。
- 实验表明，OrcaLoca在大规模代码库中有效减少了无关信息的干扰。
研究意义
OrcaLoca在软件工程领域具有重要意义，尤其是在自动化软件工程中。它解决了大语言模型与精确代码搜索机制整合不佳的问题，提高了软件问题定位的准确性。这一框架不仅提高了现有系统的功能匹配率，还为未来的自动化软件开发工具提供了新的思路。
技术贡献
OrcaLoca引入了动态动作调度系统和上下文修剪机制，与现有SOTA方法相比，提供了更高效的探索策略。其优先级调度和动作分解方法在大规模代码库中表现出色，显著提高了定位精度。
新颖性
OrcaLoca是首个将优先级调度与距离感知上下文修剪结合用于软件问题定位的框架。与现有方法相比，其创新之处在于动态调整动作顺序和精细化动作分解。
局限性
- OrcaLoca在处理极大规模代码库时可能会遇到性能瓶颈。
- 对于复杂的代码结构，动作分解的准确性可能受到影响。
未来方向
未来的研究可以探索OrcaLoca在其他编程语言中的适用性，并优化其在超大规模代码库中的性能。此外，可以结合其他AI技术进一步提高定位精度。
AI 总览摘要
软件问题定位是自动化软件工程中的一个重要挑战。现有方法在大语言模型与精确代码搜索机制的整合上存在不足，导致结果不理想。OrcaLoca框架通过优先级调度、动作分解和距离感知上下文修剪，提高了定位的准确性。
OrcaLoca的核心技术包括动态动作调度系统和上下文管理器。优先级调度通过动态调整动作顺序，确保关键动作优先执行。动作分解则通过相关性评分细化高层动作，避免冗余搜索。距离感知上下文修剪通过过滤无关信息，保持探索的聚焦性。
实验结果表明，OrcaLoca在SWE-bench Lite上实现了65.33%的功能匹配率，成为新的开源SOTA。其补丁生成集成提高了开源框架的最终解决率。这一框架为自动化软件开发提供了新的思路，尽管在处理极大规模代码库时可能面临性能挑战。未来的研究可以进一步优化其性能并扩展其适用性。
深度分析
研究背景
随着大语言模型在自动化软件工程中的应用，自动化编码、问题修复和功能改进成为可能。然而，软件问题定位仍然是一个挑战。现有方法在大语言模型与精确代码搜索机制的整合上存在不足，导致结果不理想。OrcaLoca框架通过引入优先级调度和上下文修剪，解决了这一问题。
核心问题
软件问题定位需要精确识别并导航到相关代码段。由于代码库的复杂性和用户需求表达的模糊性，现有方法难以有效整合大语言模型与精确代码搜索机制，导致结果不理想。
核心创新
OrcaLoca的核心创新在于将优先级调度与距离感知上下文修剪结合用于软件问题定位。优先级调度通过动态调整动作顺序，确保关键动作优先执行。动作分解则通过相关性评分细化高层动作，避免冗余搜索。
方法详解
- �� 优先级调度：动态调整动作顺序，确保关键动作优先执行。
- �� 动作分解：通过相关性评分细化高层动作，避免冗余搜索。
- �� 距离感知上下文修剪：过滤无关信息，保持探索的聚焦性。
实验设计
实验在SWE-bench Lite上进行，使用了多个基线方法进行比较。关键指标包括功能匹配率和最终解决率。实验结果表明，OrcaLoca在功能匹配率和解决率上均优于现有方法。
结果分析
OrcaLoca在SWE-bench Lite上实现了65.33%的功能匹配率，成为新的开源SOTA。补丁生成集成提高了开源框架的最终解决率。实验表明，OrcaLoca在大规模代码库中有效减少了无关信息的干扰。
应用场景
OrcaLoca可用于自动化软件开发中的问题定位和修复。其优先级调度和动作分解方法在大规模代码库中表现出色，显著提高了定位精度。
局限与展望
OrcaLoca在处理极大规模代码库时可能会遇到性能瓶颈。对于复杂的代码结构，动作分解的准确性可能受到影响。未来的研究可以进一步优化其性能并扩展其适用性。
通俗解读 非专业人士也能看懂
想象你在一个巨大的图书馆寻找一本特定的书。OrcaLoca就像一个聪明的图书管理员，首先根据书的主题和重要性来安排寻找顺序。然后，它会把大书分成小章节，找出最相关的部分。最后，它会过滤掉不相关的信息，只留下最有可能找到书的线索。这种方法确保你能快速找到目标书，而不会被无关的书籍干扰。
简单解释 像给14岁少年讲一样
想象你在玩一个大型游戏，需要找到一个隐藏的宝藏。OrcaLoca就像一个超级助手，它会根据宝藏的重要性来安排寻找顺序。然后，它会把大地图分成小区域，找出最可能藏有宝藏的地方。最后，它会过滤掉不相关的线索，只留下最有可能找到宝藏的路径。这种方法确保你能快速找到宝藏，而不会被无关的线索干扰。
术语表
优先级调度 (Priority Scheduling)
一种动态调整动作顺序的方法，确保关键动作优先执行。
用于OrcaLoca框架中的动作管理。
动作分解 (Action Decomposition)
将高层动作细化为子动作的方法，以提高探索的全面性。
用于OrcaLoca框架中的动作优化。
上下文修剪 (Context Pruning)
过滤无关信息的方法，保持探索的聚焦性。
用于OrcaLoca框架中的上下文管理。
功能匹配率 (Function Match Rate)
衡量软件问题定位准确性的指标，表示功能匹配的比例。
用于评估OrcaLoca的性能。
SWE-bench Lite
一个用于评估软件工程挑战的基准数据集，包含300个实例。
用于OrcaLoca的实验评估。
开放问题 这项研究留下的未解疑问
- 1 如何在超大规模代码库中保持OrcaLoca的性能？
- 2 如何提高动作分解在复杂代码结构中的准确性？
应用场景
近期应用
软件问题定位
OrcaLoca可用于自动化软件开发中的问题定位和修复，提高开发效率。
远期愿景
智能软件开发
OrcaLoca的技术可用于构建智能软件开发工具，推动软件工程的自动化进程。
原文摘要
Recent developments in Large Language Model (LLM) agents are revolutionizing Autonomous Software Engineering (ASE), enabling automated coding, problem fixes, and feature improvements. However, localization -- precisely identifying software problems by navigating to relevant code sections -- remains a significant challenge. Current approaches often yield suboptimal results due to a lack of effective integration between LLM agents and precise code search mechanisms. This paper introduces OrcaLoca, an LLM agent framework that improves accuracy for software issue localization by integrating priority-based scheduling for LLM-guided action, action decomposition with relevance scoring, and distance-aware context pruning. Experimental results demonstrate that OrcaLoca becomes the new open-source state-of-the-art (SOTA) in function match rate (65.33%) on SWE-bench Lite. It also improves the final resolved rate of an open-source framework by 6.33 percentage points through its patch generation integration.