SWE-Adept: An LLM-Based Agentic Framework for Deep Codebase Analysis and Structured Issue Resolution

El artículo presenta SWE-Adept, un marco de trabajo basado en agentes de LLM que mejora la localización y resolución de problemas en repositorios de código mediante una búsqueda en profundidad dirigida por agentes y un control de versiones adaptativo, logrando una tasa de resolución final superior en comparación con enfoques anteriores.

Lo esencial

Imagina que tienes un gigantesco edificio de oficinas (el código de un programa) con miles de habitaciones, pasillos y archivos. De repente, alguien te dice: "¡Hay una fuga de agua en el tercer piso y necesitamos arreglarla ya!".

El problema es que el edificio es tan grande que si intentas buscar la fuga caminando por cada habitación al azar, te perderás, te agotarás y nunca encontrarás el grifo roto. Además, si intentas arreglarlo a lo loco, podrías romper algo más importante.

Aquí es donde entra SWE-Adept, un nuevo sistema inteligente creado por investigadores de la Universidad Purdue. Piensa en SWE-Adept no como un solo trabajador, sino como un equipo de dos detectives expertos que trabajan juntos para resolver el misterio del código.

Los Dos Detectives (Agentes)

En lugar de tener a una sola persona haciendo todo el trabajo, SWE-Adept divide la tarea en dos especialistas:

1. El Detective de Localización (Localization Agent):

   • Su trabajo: Encontrar exactamente dónde está el problema.
   • Su superpoder: En lugar de revisar todo el edificio de golpe (lo cual abrumaría su memoria), usa un mapa de dependencias. Imagina que tiene un mapa que le dice: "Si el grifo de la cocina gotea, revisa primero la tubería principal, luego la válvula de entrada, y solo si es necesario, revisa el baño de arriba".
   • La técnica: Usa una búsqueda "inteligente y profunda". Si entra en un pasillo y ve que no lleva a la fuga, se detiene inmediatamente y no pierde tiempo revisando habitaciones vacías. Solo trae a la mesa la información estrictamente necesaria, evitando el "ruido" que confunde a la inteligencia artificial.

2. El Detective de Resolución (Resolution Agent):

   • Su trabajo: Una vez que el primero le dice "El problema está en la tubería X", este segundo detective entra a arreglarla.
   • Su superpoder: No es un "arregla-ya". Es un arquitecto metódico.
   • La técnica:
     • Planificación: Antes de tocar nada, dibuja un plan de acción (una lista de tareas).
     • Pruebas y Errores: Si una solución no funciona, no se rinde ni se desespera.
     • El "Botón de Deshacer" Mágico: Aquí está la magia. Este detective tiene un sistema de puntos de control (como guardar la partida en un videojuego). Cada vez que hace un cambio, guarda una copia exacta del estado del edificio. Si su reparación causa un nuevo desastre, puede decir: "¡Oh, esto no funcionó!" y volver instantáneamente al último punto de control donde todo estaba bien, sin tener que empezar desde cero.
     • Exploración de Alternativas: Si una idea falla, puede crear una "rama" paralela (como un universo alternativo) para probar otra solución, manteniendo el original intacto.

¿Por qué es esto tan importante?

Antes, las inteligencias artificiales intentaban arreglar estos problemas como un niño pequeño en un almacén: entraban, tocaban cosas al azar, a veces acertaban, pero a menudo rompían cosas más grandes o se perdían en el laberinto de miles de archivos.

SWE-Adept es como tener un equipo de cirujanos:

• Uno localiza con precisión milimétrica el tumor (el error).
• El otro opera con herramientas especializadas, guardando copias de seguridad de cada corte, y si algo sale mal, puede retroceder y probar otra técnica sin dañar al paciente.

Los Resultados

Cuando probaron este sistema en problemas reales de programación (como los que aparecen en GitHub), SWE-Adept fue mucho mejor que los métodos anteriores.

• Encontró los errores con mayor precisión (menos "falsas alarmas").
• Arregló más problemas completos sin dejar rastro de errores secundarios.

En resumen, SWE-Adept es un sistema que enseña a la inteligencia artificial a ser paciente, organizada y estratégica. No solo "adivina" el código, sino que lo explora con un mapa, planea sus movimientos y tiene la capacidad de retroceder con seguridad si se equivoca, imitando la forma en que los mejores ingenieros humanos resuelven problemas complejos.

Resumen técnico

Resumen Técnico: SWE-Adept

1. El Problema

Aunque los Modelos de Lenguaje Grande (LLM) han demostrado capacidades excepcionales en tareas de programación aisladas (funciones o archivos individuales), siguen enfrentando dificultades significativas en la ingeniería de software a nivel de repositorio (SWE). Los principales desafíos identificados son:

• Localización de problemas compleja: Los repositorios de código modernos son masivos (miles de archivos) y tienen dependencias cruzadas densas. Localizar la causa raíz de un error requiere navegar por estas dependencias, pero hacerlo sin gestionar el contexto del LLM lleva al desbordamiento de la ventana de contexto o a la inclusión de información irrelevante que degrada la precisión.
• Falta de estrategias sistemáticas de resolución: Los enfoques actuales a menudo operan en bucles de "pensar y editar" desorganizados. Carecen de mecanismos robustos para el seguimiento del progreso, la gestión de versiones y la capacidad de revertir cambios fallidos de manera fiable. Sin un registro de estados intermedios (checkpoints), los agentes pierden la capacidad de explorar soluciones alternativas o regresar a un estado estable tras un error.

2. Metodología: El Marco SWE-Adept

SWE-Adept es un marco de trabajo basado en agentes LLM que divide el proceso de resolución de problemas en dos agentes especializados que operan en ventanas de contexto separadas para evitar la acumulación de información no relevante.

A. Representación del Códigobase (Indexación)

• Se utiliza tree-sitter para realizar una indexación a nivel de definición (clases y funciones), creando unidades de código finas.
• Se construye un árbol de estructura de código donde los nodos son unidades de código y las aristas representan relaciones de "contiene" o "invoca".
• A diferencia de los grafos globales monolíticos, SWE-Adept almacena listas de adyacencia ligeras dentro de los metadatos de cada unidad, optimizando la recuperación y reduciendo la sobrecarga de navegación.

B. Agente de Localización de Problemas (Issue Localization Agent)
Este agente navega por el repositorio para identificar las ubicaciones de código relevantes.

• Recorrido Dirigido por Agente (DFS): En lugar de una expansión aleatoria o de ancho (BFS), el agente realiza una búsqueda en profundidad (DFS) selectiva guiada por dependencias. Utiliza herramientas de búsqueda que devuelven solo información estructural ligera (esqueletos de código, metadatos de ubicación) para minimizar el consumo de tokens.
• Filtrado en Dos Etapas:
  1. Filtrado preliminar: Se utilizan heurísticas basadas en esqueletos de código y metadatos para descartar rutas irrelevantes.
  2. Refinamiento: Solo se carga el contenido completo del código para las ubicaciones candidatas restantes, permitiendo un análisis profundo y una reordenación precisa antes de finalizar la búsqueda.

C. Agente de Resolución de Problemas (Issue Resolution Agent)
Este agente implementa y valida las correcciones basándose en las ubicaciones identificadas.

• Planificación Estructurada y Dinámica: El agente formula hipótesis de reparación y crea listas de tareas (to-do lists) granulares. Estas listas son adaptativas; si los resultados de las pruebas revelan casos borde no cubiertos, el agente expande la lista de tareas.
• Gestión de Versiones y Checkpoints (Checkpointing): Se introduce una interfaz única entre herramientas y memoria compartida.
  • Herramientas hypothesis_plan: Gestionan hipótesis, listas de tareas y registro de insights.
  • Herramientas hypothesis_git: Realizan operaciones de control de versiones basadas en Git (ramas, commits, revertir) de forma encapsulada.
  • Memoria de Trabajo: Almacena metadatos estructurados (hashes de Git, mensajes de commit) indexados por pasos semánticos. Esto permite al agente revertir cambios fallidos y regresar a un checkpoint específico sin perder el rastro, facilitando la exploración de múltiples hipótesis en ramas separadas.

3. Contribuciones Clave

1. Marco de Agentes Dúo: Integración de un agente de localización y uno de resolución, separando la búsqueda profunda de la implementación para mejorar la eficiencia del contexto.
2. Recorrido Agente-Guiado (Agentic Traversal): Una estrategia de DFS dependiente de la estructura del código que minimiza el contexto irrelevante, combinada con un filtrado en dos etapas para una localización precisa.
3. Interfaz Herramienta-Memoria para Control de Versiones: Un diseño innovador que permite al agente gestionar checkpoints de estado del código de manera fiable mediante operaciones de Git abstractas, habilitando la resolución sistemática de problemas a largo plazo (exploración de hipótesis y reversión de errores).

4. Resultados Experimentales

El marco se evaluó en los conjuntos de datos SWE-Bench Lite y SWE-Bench Pro, comparándose con enfoques basados en embeddings, grafos y otros agentes (como SWE-agent, LocAgent, OrcaLoca).

• Localización: SWE-Adept superó consistentemente a los métodos anteriores.
  • En SWE-Bench Lite, mejoró la precisión de localización a nivel de función (Func Acc@5) en un 5.4% (con GPT-5.2) y 4.1% (con Claude-4.5) respecto a la mejor línea base.
  • Consumió significativamente menos tokens que los enfoques basados en grafos gracias a la gestión eficiente del contexto.
• Resolución de Problemas (End-to-End):
  • Logró una tasa de resolución (Resolve Rate) superior en ambos conjuntos de datos.
  • En SWE-Bench Pro, mejoró la tasa de resolución en un 4.7% (con GPT-5.2) y 4.0% (con Claude-4.5) respecto a los enfoques más avanzados.
• Análisis de Errores: La mejora se atribuye a la reducción de fallos en tres categorías: errores de localización, hipótesis incorrectas y fallos en la recuperación tras ediciones erróneas.

5. Significado e Impacto

SWE-Adept representa un avance significativo hacia la ingeniería de software autónoma. Al abordar sistemáticamente los cuellos de botella de la gestión de contexto y la falta de estructura en la resolución de problemas, demuestra que los agentes LLM pueden manejar tareas complejas de nivel de repositorio con una fiabilidad superior.

El diseño de control de versiones impulsado por agentes y la memoria de trabajo estructurada ofrecen un nuevo paradigma para que los LLMs manejen tareas de largo alcance, permitiendo la exploración segura de múltiples soluciones y la recuperación robusta de errores, lo cual es esencial para la adopción de IA en entornos de desarrollo de software reales.