Recoleta Item Note
Resolving Java Code Repository Issues with iSWE Agent
本文提出 iSWE Agent，一个面向 Java 代码仓库 issue 自动修复的专用智能体，通过把“定位问题位置”和“生成修改”拆成两个子智能体，并结合规则式静态分析工具，提高 Java 场景下的自动修复效果与成本效率。
java-issue-resolutionsoftware-engineering-agentstatic-analysis-toolsreact-agentscode-repair
Summary
本文提出 iSWE Agent，一个面向 Java 代码仓库 issue 自动修复的专用智能体，通过把“定位问题位置”和“生成修改”拆成两个子智能体，并结合规则式静态分析工具，提高 Java 场景下的自动修复效果与成本效率。
Problem
- 现有自动 issue 修复系统大多围绕 Python 优化，Java 上表现明显较弱，但 Java 在企业软件中非常重要。
- Java 代码通常涉及更多跨文件修改、强静态类型和依赖构建流程，导致仅靠通用 LLM 或轻量工具更难可靠修复问题。
- 研究问题是：Java issue 修复是否需要语言特定知识与工具，以及这种设计能否在公开基准上显著提升成功率与效率。
Approach
- 将任务拆成两个 ReAct 子智能体：localization agent 先根据 issue 描述和代码库定位应修改的文件/类/方法；editing agent 再基于这些位置生成补丁。
- 为定位子智能体提供 7 个只读 Java 静态分析工具，如文件/类/方法/符号查询、继承层次、调用者、调用链，底层基于 CLDK 和 Tree-Sitter。
- 定位结果先由 LLM 输出简化 JSON，再用规则式 sanitizer 补全行号、作用域并消解矛盾，降低纯 LLM 输出的不稳定性。
- 编辑子智能体使用merge-conflict 风格 search-replace 生成补丁，并对候选修改做分层校验：格式检查、匹配修复、Java linter、最后在容器中执行项目构建/编译。
- 整体设计强调“规则 + 模型”结合：更少依赖任意 bash/code 执行，减少副作用、降低迭代次数，并尽量只在必要时启用容器化环境。
Results
- 论文声称 iSWE 在 Multi-SWE-bench Java 子集（128 个实例） 和 SWE-PolyBench Java 子集（165 个实例） 上都达到最先进（state-of-the-art）或接近榜首的 issue resolution rate。
- 总评测覆盖 293 个 Java 实例（128 + 165），是作者用于支撑结论的主要实验规模。
- 成本方面，作者声称在使用相同基础 LLM 时，iSWE 的模型 API 推理费用比其他领先智能体低 2× 到 3×。
- 文中还说明结果部分分析了localization precision/recall 以及按 issue 复杂度的细分表现，但在给定摘录中没有提供这些指标的具体数值。
- 在定性层面，论文的最强主张是：Java 专用工具链不仅提升修复成功率，还能减少 LLM 轮次、降低副作用风险，并更适配企业级 Java 仓库。
Link
Built with Recoleta
Run your own research radar
Turn arXiv, Hacker News, OpenReview, Hugging Face Daily Papers, and RSS into local Markdown, Obsidian notes, Telegram digests, and a public site.