Résumé Technique : BLAgent : RAG Agentique pour la Localisation de Bugs au Niveau Fichier

Énoncé du Problème

La localisation de bugs reste un goulot d'étranglement critique dans la maintenance logicielle, en particulier pour des tâches en aval telles que l'analyse de la cause racine, le triage et la Réparation Automatique de Programmes (APR). Bien que les systèmes de réparation basés sur les Grands Modèles de Langage (LLM) aient progressé, leur efficacité est fondamentalement limitée par la qualité de la localisation au niveau fichier. Dans les pipelines hiérarchiques, une sélection de fichiers inexacte propage des erreurs vers les étapes suivantes (par exemple, la localisation au niveau instruction ou la génération de correctifs), provoquant souvent des échecs de réparation.

Les approches existantes de Génération Augmentée par Récupération (RAG) pour le code reposent souvent sur une récupération statique et un découpage textuel naïf, échouant à capturer les intrications structurelles du code ou le raisonnement nécessaire pour identifier avec précision les fichiers défectueux. De plus, les méthodes purement basées sur les plongements (embeddings) manquent des capacités de raisonnement pour évaluer la pertinence fonctionnelle, tandis que les approches agentiques existantes emploient souvent une traversal de graphe illimitée, entraînant des coûts computationnels prohibitifs.

Méthodologie : Cadre BLAgent

Les auteurs proposent BLAgent, un nouveau cadre RAG agentique conçu pour la localisation de bugs au niveau fichier. Le système intègre trois composants principaux pour équilibrer précision et coût :

1. Encodage du Dépôt avec Découpage Basé sur AST Augmenté par Chemins

Au lieu d'un découpage textuel naïf, BLAgent utilise CodeSplitter pour segmenter les fichiers sources selon les limites de l'Arbre de Syntaxe Abstraite (AST) (par exemple, fonctions, classes, blocs logiques). Cela assure une préservation sémantique, empêchant la fragmentation des constructions de code.

• Augmentation par Chemins : Chaque fragment de code est préfixé par son chemin de fichier relatif (par exemple, src/utils/math.py). Cela crée un canal d'alignement direct entre les signaux de type chemin dans les rapports de bugs (par exemple, traces d'erreur, références de modules) et les fragments de code, résolvant les incohérences de vocabulaire entre les descriptions en langage naturel et les identifiants de code.

2. Transformation de Requête à Double Perspective

Pour combler le fossé sémantique entre les rapports de bugs et le code, BLAgent décompose chaque rapport de bug en deux requêtes complémentaires à l'aide de LLM :

• Transformation Structurelle ($T_0$) : Se concentre sur les aspects statiques et syntaxiques, extrayant les identifiants, les modules, les noms de fonctions et le contexte des traces d'erreur.
• Transformation Comportementale ($T_1$) : Se concentre sur le comportement d'exécution, capturant les symptômes observés, les sorties attendues par rapport aux réelles, et les conditions de déclenchement.
  Les deux requêtes sont utilisées indépendamment pour récupérer des fichiers candidats depuis une base de données vectorielle. Les ensembles de candidats résultants sont fusionnés (dédoublonnés) pour former un pool compact (limité à 15 fichiers) pour l'agent.

3. Reclassement Agentique en Deux Phases

BLAgent effectue un raisonnement borné sur l'ensemble de candidats récupéré via un processus en deux phases :

• Phase 1 : Notation Agentique Basée sur le Squelette (SAS) : Un agent basé sur ReAct inspecte itérativement les squelettes structurels (classes, signatures de fonctions, docstrings) des fichiers candidats. Il attribue des scores de pertinence (0–10) basés sur des hypothèses concernant les fichiers nécessitant une modification. Cette phase opère efficacement dans les limites de contexte en évitant le traitement complet du code source.
• Phase 2 : Reclassement Ancré sur les Preuves (EAR) : Pour résoudre les égalités et vérifier la pertinence au niveau de l'implémentation, les $M$ meilleurs fichiers (fixé à 5) issus de la Phase 1 subissent une inférence en un seul passage. Le contexte est élagué pour n'inclure que la structure globale du fichier et l'implémentation complète des méthodes mises en évidence par le récupérateur. Le LLM effectue un classement final basé sur cette preuve ancrée.

Contributions Clés

1. RAG Agentique pour la Localisation : BLAgent introduit un cadre de raisonnement borné qui intègre la récupération avec un raisonnement itératif augmenté par des outils, évitant les coûts élevés de la traversal de graphe illimitée.
2. Découpage Sensible à l'AST et Augmenté par Chemins : L'article démontre que la préservation des limites syntaxiques et l'augmentation des fragments par les chemins de fichiers améliorent significativement le rappel de récupération par rapport aux découpages textuels standards ou sensibles au code.
3. Requêtes à Double Perspective : Le cadre montre que la décomposition des rapports de bugs en requêtes structurelles et comportementales fournit des signaux de récupération complémentaires, améliorant le rappel du pool de candidats initial.
4. Conception Économe en Coûts : En limitant le raisonnement à un ensemble de candidats compact et filtré par récupération, et en utilisant des squelettes de code, BLAgent atteint une haute précision avec une consommation de tokens et des coûts d'API significativement inférieurs par rapport aux bases de référence agentiques basées sur des graphes.

Résultats Expérimentaux

Le cadre a été évalué sur l'ensemble de données SWE-bench-Lite (300 bugs Python réels).

• Précision de Localisation :
  • En utilisant un modèle open-source (GPT-OSS-120B), BLAgent a atteint une précision Top-1 de 78,6 % et un MRR de 0,851.
  • En utilisant un modèle propriétaire (Claude-4.6-Sonnet), il a atteint une précision Top-1 de 86,7 % et un MRR de 0,900.
  • Ces résultats surpassent les bases de référence de l'état de l'art, notamment LocAgent (une approche agentique basée sur des graphes) et Agentless (un cadre APR avec localisation), souvent avec des marges significatives.
• Efficacité des Coûts : BLAgent est plus de 18 fois moins cher que la base de référence la plus forte (LocAgent) lors de l'utilisation du même modèle propriétaire, complétant toutes les 300 instances pour environ 27 $ au total, alors que LocAgent a épuisé un budget de 300 $ après seulement 182 instances.
• Impact sur la Réparation Automatique de Programmes (APR) : Lorsqu'il est intégré dans le cadre APR Agentless, BLAgent a amélioré le taux de résolution des problèmes de bout en bout de plus de 20 % (passant de 27,6 % à 34,0 % avec vote majoritaire).
• Généralisabilité : L'architecture s'est étendue avec succès à la localisation au niveau fonction avec une seule modification de prompt, atteignant des résultats de l'état de l'art sans changements structurels au pipeline.

Signification et Revendications

L'article revendique que BLAgent établit un nouvel état de l'art pour la localisation de bugs au niveau fichier en combinant efficacement la récupération et le raisonnement agentique. Sa signification principale réside dans la démonstration que :

1. La localisation est un facteur décisif : Une localisation précise au niveau fichier se traduit directement par des gains mesurables dans le succès de la réparation automatisée de bout en bout.
2. Le raisonnement borné est supérieur à la traversal illimitée : Le raisonnement agentique contraint à un ensemble de candidats de haute qualité, filtré par récupération, surpasse les approches complexes basées sur des graphes tant en précision qu'en coût.
3. La qualité de la récupération borne la performance : L'efficacité du pipeline agentique est fondamentalement limitée par le rappel du récupérateur dense initial ; ainsi, les améliorations du découpage et de la transformation de requêtes sont critiques.
4. Évolutivité rentable : Une localisation haute performance peut être réalisée en utilisant des modèles open-source et une gestion de contexte efficace (squelettes), rendant la localisation avancée de bugs accessible sans les coûts prohibitifs des modèles propriétaires ou de la traversal de graphe.

Les auteurs concluent que si une localisation précise est nécessaire, elle ne suffit pas pour une réparation parfaite, car les échecs en aval (localisation au niveau fonction/ligne et génération de correctifs) restent des goulets d'étranglement significatifs. Cependant, BLAgent fournit une fondation robuste et économe en coûts pour relever le défi de la localisation en amont dans la maintenance logicielle basée sur les LLM.