💻 computer science

BLAgent: Agentic RAG for File-Level Bug Localization

يُعد BLAgent إطار عمل وكيل جديد للجيل المعزز بالاسترجاع (RAG) يعمل على تعزيز تحديد مواقع الأخطاء البرمجية على مستوى الملف من خلال الترميز المدرك لهيكل الكود، وتحويل الاستعلام ثنائي المنظور، وإعادة الترتيب الوكيل ثنائي المراحل، محققاً بذلك دقة رائدة في SWE-bench Lite مع تقليل التكاليف بشكل كبير وتحسين نجاح إصلاح البرامج الآلي في المهام اللاحقة.

المؤلفون الأصليون: Md Afif Al Mamun, Gias Uddin

نُشر 2026-05-19

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Md Afif Al Mamun, Gias Uddin

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

إليك شرح لورقة بحث BLAgent، مترجم إلى لغة بسيطة ويومية باستخدام التشبيهات.

المشكلة الكبرى: البحث عن إبرة في كومة قش

تخيل أنك ميكانيكي (مطور برمجيات) تحاول إصلاح سيارة معطلة. سلمك أحد الزبائن شكوى تقول: "السيارة تصدر ضجيجاً غريباً عندما أنعطف يساراً".

في عالم البرمجيات، هذه الشكوى هي تقرير عن خطأ برمي (Bug Report). السيارة هي مستودع كود ضخم يحتوي على ملايين الأسطر من الكود (وهي كومة القش). السطر المحدد من الكود الذي يسبب الضجيج هو الإبرة.

لفترة طويلة، عانت أدوات الذكاء الاصطيعي التي تحاول إصلاح هذه الأخطاء لأنها لا تستطيع العثور على الإبرة أولاً. إذا خمن الذكاء الاصطناعي الجزء الخاطئ من المحرك (الملف الخاطئ)، فسيحاول إصلاح الشيء الخطأ، وستظل السيارة معطلة. وهذا ما يسمى تحديد موقع الخطأ (Bug Localization).

الحل: BLAgent (المحقق الخارق)

ابتكر المؤلفون نظاماً جديداً يسمى BLAgent. فكر فيه كأنه محقق خارق لا يكتفي بالتخمين فحسب؛ بل يستخدم عملية تحقيق ذكية وخطوة بخوة للعثور على الملف الدقيق الذي يحتاج إلى إصلاح قبل محاولة ترميمه.

يستخدم BLAgent تقنية تسمى Agentic RAG (التوليد المعزز بالاسترجاع عبر الوكيل). باللغة البسيطة، هذا يعني أن الذكاء الاصطناعي لا يقوم فقط بـ "الهلوسة" بإجابة؛ بل يذهب إلى مكتبة (مستودع الكود)، ويجد الكتب الصحيحة (ملفات الكود)، ويقرؤها، ثم يفكر في الإجابة.

إليك كيف يعمل BLAgent، مقسماً إلى ثلاث خطوات بسيطة:

1. تنظيم المكتبة (التقسيم الذكي - Smart Chunking)

تخيل أن مكتبتك في حالة فوضى. الكتب ممزقة إلى نصفين، والصفحات ملتصقة ببعضها بشكل عشوائي. إذا طلبت من أمين المكتبة كتاباً عن "المحركات"، فقد يعطيك صفحة مكتوب عليها "محرك" لكنها في الواقع من كتاب طبخ.

الطريقة القديمة: تقوم أدوات الذكاء الاصطناعي التقليدية بتقسيم الكود إلى قطع عشوائية من النصوص، مثل تمزيق صفحات الكتاب صفحة تلو الأخرى.
طريقة BLAgent: يستخدم BLAgent خريطة هيكلية (تسمى AST). هو يعرف أن "الدالة" (Function) أو "الفئة" (Class) تشبه الفصل الكامل. لذا، فهو يقطع الكود فقط عند نهاية هذه الفصول.
السر الخفي: يقوم أيضاً بختم مسار الملف (عنوان الكتاب) على كل صفحة. إذا ذكر تقرير الخطأ اسماً لمجلد معين، يمكن لـ BLAgent فوراً مطابقة هذا العنوان بالكتاب الصحيح.

2. طرح أسئلة أفضل (الاستعلام من منظور مزدوج - Dual-Perspective Queries)

تخيل أنك تسأل أمين مكتبة للحصول على مساعدة.

سؤال سيء: "سيارتي معطلة." (غامض جداً).
استراتيجية BLAgent: يطرح سؤالين مختلفين للحصول على أفضل النتائج:
1. السؤال الهيكلي: "أي ملف يحتوي على دالة turn_signal؟" (البحث عن أسماء وهياكل كود محددة).
2. السؤال السلوكي: "أي ملف يتعامل مع الحالة التي تصدر فيها السيارة ضجيجاً عند الانعطاف؟" (البحث عن الأعراض والسلوك).

من خلال طرح كلا السؤالين، يلقي BLAgent شبكة أوسع، مما يضمن عدم تفويته للملف الصحيح لمجرد أن تقرير الخطأ استخدم كلمات مختلفة عن الموجودة في الكود.

3. تحقيق المحقق (إعادة الترتيب عبر الوكيل - Agentic Reranking)

هذا هو الجزء الأهم. تعطي المكتبة لـ BLAgent قائمة بأفضل 15 كتاباً (ملفاً) محتملاً. ولكن أي واحد منها هو الجاني الحقيقي؟

الذكاء الاصطناعي القديم: يختار أول كتاب في القائمة ويحاول إصلاحه.
BLAgent (الوكيل): يتصرف كمحقق. هو لا يكتفي بقراءة الغلاف؛ بل يفتح الكتب وينظر إلى الهيكل العظمي (جدول المحتويات وعناوين الفصول) للمرشحين الأوائل.
- يسأل نفسه: "هل هيكل هذا الملف يتوافق مع الجريمة؟"
- يقوم بتعيين درجة (من 0 إلى 10) لكل ملف.
- ثم، بالنسبة لأفضل المشتبه بهم، يقرأ النص الفعلي للأجزاء ذات الصلة لاتخاذ قرار نهائي مبني على الأدلة.

هذا "الاستنتاج المحدود" يعني أن المحقق لا يحقق إلا في المشتبه بهم الأكثر احتمالاً، مما يوفر الوقت والمال، بدلاً من البحث في المكتبة بأكملها.

لماذا هذا مهم: ورشة الإصلاح

اختبرت الورقة البحثية BLAgent على معيار شهير يسمى SWE-bench (مجموعة من أخطاء البرمجيات في العالم الحقيقي).

النتيجة: وجد BLAgent الملف الصحيح للإصلاح في 78% إلى 86% من الحالات (اعتماداً على نموذج الذكاء الاصطناعي المستخدم).
المقارنة: وجدت الطرق السابقة الملف الصحيح بمعدل أقل.
التكلفة: BLAgent أرخص بـ 18 مرة من أفضل طريقة سابقة. الطرق القديمة كانت تشبه توظيف فريق من 100 شخص للبحث في المكتبة؛ أما BLAgent فهو يشبه توظيف محقق واحد ذكي جداً ومعه خريطة.

الأثر على إصلاح الأخطاء:
عندما تم توصيل BLAgent بنظام إصلاح تلقائي، نجح النظام في إصلاح 20% أكثر من الأخطاء مما سبق.

تشبيه: إذا أعطيت الميكانيكي قطعة محرك خاطئة، فلن يتمكن من إصلاح السيارة. إذا أعطيته القطعة الصحيحة (تحديد الموقع بدقة)، فيمكنه إصلاحها. BLAgent يضمن حصول الميكانيكي على القطعة الصحيحة.

ما لا تقوله الورقة البحثية

هي لا تدعي أنها تصلح كل خطأ برمجي. في حوالي 14% من الحالات، كان الملف الصحيح مخفياً جداً أو كان تقرير الخطأ غامضاً جداً لدرجة أن حتى BLAgent لم يستطع العثور عليه في القائمة الأولى.
هي لا تدعي أنها عصا سحرية لكل البرمجيات. هي تعمل بشكل أفضل على مشاريع Python (مثل تلك الموجودة في الاختبار) وتعتمد على جودة تقرير الخطأ.
هي لا تقول إن العثور على الملف هو الخطوة الوحيدة. بمجرد العثور على الملف، لا يزال يتعين على الذكاء الاصطناعي كتابة إصلاح الكود الفعلي، والذي قد يفشل أيضاً. لكن العثور على الملف هو العقبة الأكبر.

الملخص

BLAgent هو طريقة أذكى للذكاء الاصطناعي للعثور على الكود المعطل. بدلاً من التخمين العشوائي، يقوم بتنظيم مكتبة الكود بشكل أفضل، ويطرح أسئلة أذكى، ويستخدم خطوة "المحقق" للتحقق من الأدلة قبل اتخاذ أي إجراء. وهذا يجعله أسرع، وأرخص، وأكثر دقة في العثور على السبب الجذري لأخطاء البرمجيات.

ملخص تقني: BLAgent: نظام RAG وكيل لتعيين موقع الأخطاء على مستوى الملفات

بيان المشكلة

لا يزال تعيين موقع الخطأ (Bug Localization) يمثل عقبة حرجة في صيانة البرمجيات، لا سيأ خصوصاً في المهام اللاحقة مثل تحليل السبب الجذري، والتصنيف، والإصلاح الآلي للبرامج (APR). وبينما تقدمت أنظمة الإصلاح القائمة على النماذج اللغوية الكبيرة (LLM)، فإن فعاليتها تظل مقيدة بشكل أساسي بجودة تعيين الملفات. ففي خطوط المعالجة الهرمية، يؤدي التحديد غير الدقيق للملفات إلى انتشار الأخطاء إلى المراحل اللاحقة (مثل تعيين الموقع على مستوى الجملة البرمجية أو توليد الرقعة البرمجية)، مما يتسبب غالباً في فشل عملية الإصلاح.

تعتمد أساليب استرجاع المعلومات المعزز بالتوليد (RAG) الحالية المخصصة للأكواد البرمجية غالباً على الاسترجاع الساكن وتقسيم النصوص الساذج، مما يفشل في التقاط التعقيدات الهيكلية للكود أو الاستدلال المطلوب لتحديد الملفات المعيبة بدقة. علاوة على ذلك، تفتقر الأساليب القائمة على التضمين (Embedding) البحت إلى قدرات الاستدلال لتقييم الصلة الوظيفية، بينما توظف الأساليب الوكيلية (Agentic) الحالية غالباً بحثاً عبر الرسوم البيانية غير المحدود، مما يؤدي إلى تكاليف حوسبية باهظة.

المنهجية: إطار عمل BLAgent

يقترح المؤلفون BLAgent، وهو إطار عمل RAG وكيل مبتكر مصمم لتعيين موقع الأخطاء على مستوى الملفات. يدمج النظام ثلاثة مكونات أساسية لتحقيق التوازن بين الدقة والتكلفة:

1. ترميز المستودع باستخدام تقسيم يعتمد على AST ومعزز بالمسارات

بدلاً من التقسيم النصي الساذج، يستخدم BLAgent أداة CodeSplitter لتقسيم ملفات المصدر بناءً على حدود شجرة الإعراب المجردة (AST) (مثل الدوال، الفئات، والكتل المنطقية). يضمن هذا الحفاظ على الدلالات، ويمنع تفتت البنى البرمجية.

تعزيز المسار (Path Augmentation): يتم إلحاق كل قطعة كود بمسار الملف النسبي الخاص بها (مثلاً: src/utils/math.py). يخلق هذا قناة محاذاة مباشرة بين الإشارات الشبيهة بالمسارات في تقارير الأخطاء (مثل تتبع الخطأ Tracebacks، مراجع الوحدات) وقطع الكود، مما يعالج عدم التطابق في المفردات بين الأوصاف الطبيعية ومعرفات الكود.

2. تحويل الاستعلام من منظور مزدوج

لسد الفجوة الدلالية بين تقارير الأخطاء والكود، يقوم BLAgent بتفكيك كل تقرير خطأ إلى استعلامين متكاملين باستخدام النماذج اللغوية الكبيرة:

التحويل الهيكلي ( $T_0$ ): يركز على الجوانب النحوية الثابتة، واستخراج المعرفات، والوحدات، وأسماء الدوال، وسياق تتبع الخطأ.
التحويل السلوكي ( $T_1$ ): يركز على السلوك أثناء التشغيل، حيث يلتقط الأعراض الملحوظة، والمخرجات المتوقعة مقابل الفعلية، وظروف الاستدعاء.
يُستخدم كلا الاستعلامين بشكل مستقل لاسترجاع الملفات المرشحة من قاعدة بيانات متجهية. ويتم دمج مجموعات المرشحين الناتجة (إزالة التكرار) لتشكيل مجموعة مدمجة (محدودة بـ 15 ملفاً) للوكيل.

3. إعادة التصنيف الوكيلية على مرحلتين

ينفذ BLAgent استدلالاً محدوداً على مجموعة المرشحين المسترجعة من خلال عملية مكونة من مرحلتين:

المرحلة الأولى: تسجيل درجات الوكيل بناءً على الهيكل (SAS): يقوم وكيل يعتمد على منهجية ReAct بفحص الهياكل الهيكلية (الفئات، تواقيع الدوال، وثائق الكود) للملفات المرشحة بشكل تكراري. يقوم بتعيين درجات صلة (0–10) بناءً على فرضيات حول الملفات التي تتطلب تعديلاً. تعمل هذه المرحلة بكفاءة ضمن حدود السياق عبر تجنب معالجة الكود المصدري الكامل.
المرحلة الثانية: إعادة التصنيف المرتكز على الأدلة (EAR): لحسم حالات التعادل والتحقق من الصلة على مستوى التنفيذ، تخضع أفضل $M$ (المحددة بـ 5) من الملفات من المرحلة الأولى لعملية استدلال لمرة واحدة. يتم تقليم السياق ليشمل فقط الهيكل العالمي للملف والتنفيذ الكامل للطرق (Methods) التي سلط المسترجع الضوء عليها. يقوم النموذج اللغوي بإجراء تصنيف نهائي بناءً على هذا الدليل المرتكز.

المساهمات الرئيسية

RAG وكيل لتعيين الموقع: يقدم BLAgent إطار عمل استدلال محدود يدمج الاسترجاع مع الاستدلال التكراري المعزز بالأدوات، متجنباً التكاليف العالية للبحث عبر الرسوم البيانية غير المحدود.
التقسيم المدرك لـ AST والمعزز بالمسار: يثبت البحث أن الحفاظ على الحدود النحوية وتعزيز القطع بالمسارات يحسن استدعاء الاسترجاع بشكل كبير مقارنة بالتقسيم القياسي المعتمد على النصوص أو الكود.
الاستعلام من منظور مزدوج: يظهر إطار العمل أن تفكيك تقارير الأخطاء إلى استعلامات هيكلية وسلوكية يوفر إشارات استرجاع متكاملة، مما يعزز استدعاء مجموعة المرشحين الأولية.
تصميم فعال من حيث التكلفة: من خلال حصر الاستدلال في مجموعة مرشح مدمجة ومفلترة عبر الاسترجاع واستخدام هياكل الكود (Skeletons)، يحقق BLAgent دقة عالية مع استهلاك أقل بكثير للرموز (Tokens) وتكاليف واجهة برمجة التطبيقات (API) مقارنة بالنماذج الوكيلية القائمة على الرسوم البيانية.

النتائج التجريبية

تم تقييم الإطار على مجموعة بيانات SWE-bench-Lite (300 خطأ حقيقي في لغة بايثون).

دقة تعيين الموقع:
- باستخدام نموذج مفتوح المصدر (GPT-OSS-120B)، حقق BLAgent دقة Top-1 بنسبة 78.6% و MRR قدره 0.851.
- باستخدام نموذج مغلق المصدر (Claude-4.6-Sonnet)، حقق دقة Top-1 بنسبة 86.7% و MRR قدره 0.900.
- تتفوق هذه النتائج على أفضل النماذج المرجعية الحالية، بما في ذلك LocAgent (نهج وكيل قائم على الرسوم البيانية) و Agentless (إطار عمل APR مع تعيين الموقع)، بفوارق كبيرة.
كفاءة التكلفة: يعد BLAgent أرخص بأكثر من 18 مرة من أقوى نموذج مرجعي (LocAgent) عند استخدام نفس النموذج المغلق المصدر؛ حيث أكمل جميع الـ 300 حالة بتكلفة تقارب 27 دولاراً، بينما استنفد LocAgent ميزانية قدرها 300 دولار بعد 182 حالة فقط.
التأثير على الإصلاح الآلي للبرامج (APR): عند دمجه في إطار عمل Agentless، حسن BLAgent معدل حل المشكلات النهائي بأكثر من 20% (من 27.6% إلى 34.0% باستخدام التصويت بالأغلبية).
القدرة على التعميم: نجحت البنية في التوسع إلى تعيين الموقع على مستوى الدالة بمجرد تعديل بسيط في الأمر (Prompt)، محققة نتائج رائدة دون تغييرات هيكلية في خط المعالجة.

الأهمية والادعاءات

يدعي البحث أن BLAgent يضع معياراً جديداً لأفضل الحالات (SOTA) لتعيين موقع الأخطاء على مستوى الملفات من خلال الجمع الفعال بين الاسترجاع والاستدلال الوكيل. تكمن أهميته الأساسية في إثبات أن:

التعيين هو عامل حاسم: تعيين موقع الملف بدقة يترجم مباشرة إلى مكاسب ملموسة في نجاح الإصلاح الآلي النهائي.
الاستدلال المحدود يتفوق على البحث غير المحدود: الاستدلال الوكي المحصور في مجموعة مرشحين عالية الجودة ومفلترة عبر الاسترجاع يتفوق على الأساليب المعقدة القائمة على الرسوم البيانية من حيث الدقة والتكلفة.
جودة الاسترجاع تحدد الأداء: إن فعالية خط المعالجة الوكي تعتمد بشكل أساسي على قدرة المسترجع الكثيف (Dense Retriever) على الاستدعاء؛ لذا فإن التحسينات في التقسيم وتحويل الاستعلام أمر بالغ الأهمية.
القابلية للتوسع بتكلفة فعالة: يمكن تحقيق تعيين موقع عالي الأداء باستخدام نماذج مفتوحة المصدر وإدارة فعالة للسياق (الهياكل)، مما يجعل تعيين الموقع المتقدم متاحاً دون التكاليف الباهظة للنماذج المملوكة أو البحث عبر الرسوم البيانية.

يخلص المؤلفون إلى أنه بينما يعد التعيين الدقيق للموقع ضرورياً، إلا أنه ليس كافياً للإصلاح المثالي، حيث تظل التحديات في مراحل لاحقة (تعيين الموقع على مستوى الدالة/السطر وتوليد الرقعة) تمثل عقبات كبيرة. ومع ذلك، يوفر BLAgent أساساً قوياً وفعالاً من حيث التكلفة لمعالجة تحديات التعيات في مرحلة ما قبل الإصلاح في صيانة البرمجيات القائمة على النماذج اللغوية الكبيرة.