Agentic Software Issue Resolution with Large Language Models: A Survey

软件工程中的维护阶段占据了软件生命周期成本的约三分之二。传统问题修复主要依赖人工经验，存在耗时长、误差大、难以规模化等问题。近年来，随着大语言模型（如GPT-4、Codex等）在代码理解、推理和生成方面的突破，自动化问题修复成为研究热点。早期工作如DeepCode、CodeX等已探索基于模型的缺陷检测与修复，但受限于模型能力和数据不足，效果有限。随着LLMs的发展，特别是引入强化学习和多模态技术，系统自主性大幅提升，推动了agentic系统的兴起。这些系统能够进行长远规划、多轮交互，显著改善软件维护的效率和质量。当前，已有多个基准体系（如SWE-Bench系列）用于评估系统性能，研究逐步从单一任务向多任务、多模态、多语言方向演进，展现出广阔的应用前景。

核心问题在于如何让AI系统具备长远规划、动态决策和持续学习能力，以应对复杂多变的实际软件环境。传统方法多依赖静态规则或单步推理，难以应对多阶段、多目标的维护任务。软件问题具有多样性和不确定性，模型需要理解自然语言描述、定位问题、生成修复方案并验证效果，整个流程复杂且依赖多源信息。现有技术在推理深度、泛化能力和自主性方面仍有限，特别是在多模态融合、长尾问题和成本控制方面。解决这些瓶颈，成为推动自动化软件维护的关键。

本研究的创新点主要体现在：1）提出五阶段流程模型，系统化描述问题定位、修复、验证全过程；2）引入强化学习作为训练核心，提升模型自主性和适应性，突破prompt-engineering的限制；3）构建多模态、多语言基准体系，丰富评估场景，推动系统泛化能力；4）结合具体算法如GPT-4、Claude Fable 5，实现端到端自动化。创新在于将agentic架构引入软件维护，强调多轮交互和长远规划，显著优于传统静态或单步方法，为未来自主智能软件维护提供理论基础和技术路径。

• �� 任务流程：定义五个阶段——问题定位、修复、验证、选择、反馈。
• �� 系统架构：由大语言模型（如GPT-4、Claude Fable 5）作为核心推理引擎，结合外部脚本和工具实现多轮交互。
• �� 控制机制：采用两类控制流程——预定义管道（Pipeline）和动态代理（Agent），前者强调流程可控，后者强调自主决策。
• �� 训练策略：结合监督微调（SFT）和强化学习（RL），利用奖励机制优化模型行为。
• �� 基准体系：构建多模态、多语言、多任务的评估数据集，涵盖不同软件领域和问题类型。
• �� 评估指标：采用成功率、修复准确率、效率指标（如时间、成本）等，系统性衡量模型性能。

实验使用SWE-Bench Pro等公开基准，比较多种模型（如GPT-4、Claude Fable 5）在不同任务上的表现。采用指标包括问题解决率、修复质量、验证成功率等。通过 ablation 研究验证强化学习对性能的提升，分析多模态融合的效果。实验还涵盖不同训练策略（SFT、RL）对模型的影响，验证多任务、多语言场景下的泛化能力。数据集涵盖bug修复、性能优化、功能添加等多样问题，确保评估的全面性和代表性。

最新系统在SWE-Bench Pro中达到了80.3%的问题解决率，远超传统方法的50%左右。强化学习模型的引入，使自主性提升显著，模型在多任务环境中的表现更为稳健。论文还发现多模态、多语言训练能有效提升模型的泛化能力，降低误修率。训练成本虽高，但通过优化策略，模型在实际应用中的效率已大幅改善。整体来看，系统性能的提升极大推动了自动化软件维护的发展。

该技术可应用于企业级软件维护自动化、缺陷检测与修复、持续集成环境中的智能调试等场景。只需提供自然语言描述和代码仓库，即可实现自动修复，大幅降低人力成本。未来，结合云端部署和多模态数据输入，将推动智能软件维护的普及，提升软件开发的敏捷性和质量。

模型在极端复杂环境下仍表现不佳，尤其是在多模态信息融合不足时。训练成本高昂，硬件资源消耗大，限制了广泛应用。缺乏统一的评估标准和可解释性机制，影响模型的可信度。未来需解决模型鲁棒性、成本控制和可解释性等关键问题，推动其商业化和普及。