Resumen Técnico: DUALVIEW – Razonamiento Estructural Dual-Modal para la Resolución de Problemas Agéntica

1. Planteamiento del Problema

Los avances recientes en agentes basados en Modelos de Lenguaje Extensos (LLM) han mejorado la reparación automática de programas (APR) al permitir una exploración iterativa de repositorios. Sin embargo, los enfoques existentes dependen predominantemente de una navegación de código secuencial y basada en texto. Esta interfaz centrada en el texto impone dos limitaciones fundamentales para resolver problemas en repositorios de gran escala y largo horizonte:

1. Observaciones Fragmentadas: Los agentes exploran los repositorios mediante herramientas como grep, cat y comandos de shell. Cada interacción revela solo un pequeño fragmento del código base, obligando al agente a reconstruir mentalmente las relaciones estructurales (por ejemplo, acoplamiento de módulos, cadenas de llamadas) a partir de evidencia textual dispersa. Esto conduce al "deriva de exploración" (exploration drift) y a una localización incompleta a medida que el espacio de búsqueda crece.
2. Linealización de Estructuras de Grafo: Aunque las dependencias de un repositorio son inherentemente de estructura de grafo, los sistemas existentes serializan estas relaciones (por ejemplo, Árboles de Sintaxis Abstracta, grafos de llamadas) en descripciones de texto lineales antes de presentarlas al agente. Esta linealización oscurece la topología, haciendo que los caminos de múltiples saltos, las estructuras de ramificación y las regiones de dependencia densas sean difíciles de percibir y razonar.

El desafío central es el desajuste entre la naturaleza de estructura de grafo de los repositorios y la interacción centrada en texto de los agentes actuales, lo que dificulta la exploración eficiente de largo horizonte y el análisis de dependencias.

2. Metodología: Marco de Trabajo DUALVIEW

Los autores proponen DUALVIEW, un marco de andamiaje estructural dual-modal que dota a los sistemas de agentes con vistas estructurales de múltiples granos de un repositorio. En lugar de reconstruir la estructura a partir de texto, DUALVIEW externaliza las relaciones del repositorio como representaciones de grafo visuales y textuales sincronizadas.

A. Vistas Estructurales de Múltiples Granos

DUALVIEW descompone la estructura del repositorio en cuatro vistas de grafo complementarias, organizadas como una jerarquía de exploración de grueso a fino:

1. Grafo de Acoplamiento de Módulos (MCG): Una vista de todo el repositorio que captura el acoplamiento entre subsistemas y módulos. Ayuda a los agentes a orientarse dentro del código base e identificar subsistemas candidatos responsables de un problema.
2. Grafo de Llamadas de Funciones (FCG): Una vista de funciones cruzadas que expone rutas de propagación de llamante-llamado. Permite a los agentes rastrear el comportamiento a través de archivos y funciones para comprender los límites de impacto.
3. Grafo de Jerarquía de Clases (CHG): Una vista de clases cruzadas que detalla las relaciones de herencia y sobrescritura. Cierra la brecha entre las pistas de API abstractas (interfaces/clases base) y las implementaciones concretas.
4. Grafo de Dependencia de Programa (PDG): Una vista intra-función que captura dependencias de datos y de control a nivel de sentencia. Ayuda a identificar flujos de valores específicos o decisiones de control que causan defectos.

Estas vistas se exponen mediante una interfaz de consulta parametrizada $V(t, s, \theta)$, donde $t$ es el tipo de vista, $s$ es la entidad semilla y $\theta$ controla el alcance (radio de salto, dirección, presupuesto de nodos).

B. Observaciones Estructurales Dual-Modales

Para cada consulta de grafo, DUALVIEW devuelve una respuesta sincronizada que contiene:

• Representación Visual: Un diagrama de nodos y enlaces (renderizado mediante Graphviz) que preserva la topología, la conectividad y los patrones de dependencia. Enfatiza la organización global, los patrones de fan-in/fan-out y las alternativas estructurales sin saturar la vista con detalles semánticos completos.
• Representación Textual: Una serialización estructurada de la misma porción del grafo, proporcionando la fundamentación semántica precisa (rutas de archivos, números de línea, identidades de entidades y semántica de relaciones) requerida para la inspección a nivel de fuente.

C. Razonamiento Estructural Adaptativo

DUALVIEW se integra en los bucles de agentes existentes como una capa de razonamiento adaptativo. El agente evalúa su estado de razonamiento actual para decidir cuándo invocar las vistas estructurales:

• Orientación de Subsistema: Utiliza MCG cuando la organización modular no está clara.
• Propagación de Función: Utiliza FCG cuando el rol ascendente/descendente de una función es ambiguo.
• Resolución Jerárquica: Utiliza CHG al tratar con clases abstractas o interfaces.
• Dependencias Locales: Utiliza PDG al reducirse a una implementación específica para analizar el flujo de control/datos.

Esto permite que los agentes alternen naturalmente entre el razonamiento estructural (navegación del grafo) y la inspección de nivel de fuente (edición de código).

3. Contribuciones Clave

1. Andamiaje Estructural Dual-Modal: La propuesta de DUALVIEW, que externaliza la estructura del repositorio en representaciones de grafo visuales y textuales sincronizadas, permitiendo a los agentes razonar a través tanto de la organización a nivel de repositorio como de las dependencias de grano fino.
2. Evaluación Exhaustiva: Evaluación a través de múltiples marcos de agentes (mini-SWE-agent, OpenCode), modelos fundacionales (Claude 4.5 Sonnet, Kimi K2.5, Gemini 3 Flash) y benchmarks (SWE-bench Pro, SWE-bench Verified).
3. Implementación de Código Abierto: Lanzamiento de la implementación de DUALVIEW, empaquetada como herramientas reutilizables y servicios del Protocolo de Contexto de Modelo (MCP) para facilitar la investigación futura.

4. Resultados Experimentales

Los autores evaluaron DUALVIEW en SWE-bench Pro (731 instancias) y SWE-bench Verified (500 instancias).

• Efectividad General: DUALVIEW mejoró consistentemente el rendimiento de resolución de problemas en diferentes arquitecturas de agentes y familias de modelos.
  • En SWE-bench Pro, usando OpenCode con Kimi K2.5, DUALVIEW resolvió 388 instancias (53.1%), una mejora de 46 instancias (+13.5%) sobre el baseline (342 instancias).
  • Usando mini-SWE-agent con Claude 4.5 Sonnet, resolvió 375 instancias (51.3%), frente a las 355 iniciales (+5.6%).
  • En SWE-bench Verified, la integración de DUALVIEW con mini-SWE-agent y Gemini 3 Flash logró una tasa de resolución del 79.8% (399/500), superando al baseline (75.8%) mientras reducía el costo promedio por instancia de $0.36 a$0.18.
• Eficiencia de Costos: A pesar de la sobrecarga de generar grafos visuales, DUALVIEW redujo el número promedio de pasos de LLM y el costo total de inferencia por instancia. Esto se atribuye a la prevención de la exploración inválida y la acumulación innecesaria de contexto.
• Estudios de Ablación:
  • Dual-Modal vs. Solo-Texto: Las representaciones de grafos visuales por sí solas superaron a las serializaciones textuales de grafos (78 vs. 71 instancias resueltas). La combinación de ambas modalidades produjo el rendimiento más fuerte (81 resueltas), confirmando que la topología visual ayuda a la navegación mientras que el detalle textual permite la edición precisa.
  • Vistas de Múltiples Granos: Cada vista de grafo individual (MCG, FCG, CHG, PDG) mejoró el rendimiento respecto al baseline. La combinación de todas las vistas superó consistentemente a cualquier variante de una sola vista, demostrando la necesidad de información estructural en diferentes granularidades.
• Comparación con Baselines: DUALVIEW superó a los agentes centrados en texto existentes (SWE-agent, Live-SWE-agent) y a otros enfoques basados en grafos (RepoGraph, CodeGraph) que dependen de la serialización textual de grafos.

5. Significado y Reivindicaciones

El artículo afirma que el razonamiento estructural dual-modal sirve como una mejora general para la resolución de problemas agéntica, en lugar de una optimización específica de un modelo.

• Cambio de Paradigma: El trabajo aboga por un cambio de la exploración centrada en el texto hacia el razonamiento estructural visual. Postula que los grafos de los repositorios deben servir como artefactos de razonamiento (estructuras directamente observables) en lugar de solo como artefactos de recuperación (texto serializado).
• Mitigación de Limitaciones: Al hacer que la conectividad y las relaciones de múltiples saltos sean inmediatamente perceptibles, DUALVIEW mitiga la "deriva de exploración" causada por las observaciones textuales fragmentadas y la dificultad de percibir topologías complejas en texto lineal.
• Complementariedad: Los resultados sugieren que las modalidades visual y textual son complementarias: la modalidad visual proporciona el "mapa" (topología y estructura) para una navegación eficiente, mientras que la modalidad textual proporciona las "coordenadas" (rutas de archivos y números de línea) para una acción precisa.

Los autores concluyen que exponer la estructura del repositorio a través de representaciones de grafo visuales y textuales complementarias mejora significativamente la capacidad de los agentes para resolver problemas de largo horizonte en bases de código complejas.