💻 computer science

ARISE: A Repository-level Graph Representation and Toolset for Agentic Fault Localization and Program Repair

ARISE è un framework a livello di repository che potenzia gli agenti basati su LLM per il rilevamento dei difetti e la riparazione dei programmi introducendo un grafo del programma a più granularità con archi di flusso di dati intra-procedurali e un'API di slicing interrogabile, ottenendo miglioramenti significativi nell'accuratezza del rilevamento e nei tassi di successo della riparazione sul benchmark SWE-bench Lite.

Autori originali: Shahd Seddik, Fatemeh Fard

Pubblicato 2026-05-06

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Shahd Seddik, Fatemeh Fard

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di essere un detective che cerca di risolvere un crimine in una città enorme e vasta (il repository software). La città ha migliaia di edifici (file), ciascuno contenente centinaia di stanze (funzioni), e all'interno di quelle stanze ci sono innumerevoli pezzi di arredamento e documenti (righe di codice).

Il tuo compito è trovare un documento specifico che contiene la menzogna (il bug) che causa il guasto alla rete elettrica della città, e poi riscrivere quel documento per correggerlo.

Il Problema: Perdersi nella Città

In passato, i detective (agenti AI) che cercavano di risolvere questi casi avevano due problemi principali:

Avevano solo una mappa degli edifici: Sapevano quale edificio era accanto a quale, e quale edificio aveva una porta che conduceva a un altro. Ma non sapevano come le informazioni si muovevano all'interno delle stanze.
Dovevano leggere tutto: Per trovare la menzogna, spesso dovevano leggere libri interi o scansionare ogni singola pagina in un edificio, sperando di imbattersi nell'indizio. Questo era lento, costoso e spesso li portava nella stanza sbagliata.

La Soluzione: ARISE (Il Kit dell'Investigatore Super)

Gli autori hanno creato un nuovo sistema chiamato ARISE. Pensa ad ARISE come a dare al detective una mappa 3D interattiva e superpotente della città che non mostra solo gli edifici, ma mostra anche esattamente come un pezzo specifico di prova (una variabile) si sposta da un documento all'altro all'interno di una stanza.

Ecco come funziona ARISE, scomposto in tre semplici strumenti:

1. La Mappa Strutturale (Livello 1)

Questa è la "mappa degli edifici". Dice al detective: "Questo file contiene questa classe, che chiama quella funzione". È come sapere che la Biblioteca è collegata alla Scuola. Questo aiuta il detective a restringere il campo su quale edificio cercare, ma non dice quale pagina del libro è sbagliata.

2. Lo Strumento "Segui i Soldi" (Livello 2 - La Grande Innovazione)

Questa è la parte magica. Nei vecchi tempi, se un detective trovava un numero sospetto in un documento, doveva manualmente sfogliare ogni pagina prima e dopo per vedere da dove proveniva quel numero o dove andava.

ARISE introduce uno strumento chiamato Data-Flow Slicing (Taglio del Flusso di Dati). Immagina di avere una lente d'ingrandimento magica. Punti la lente su un numero specifico in un documento e dici: "Mostrami tutto ciò che ha toccato questo numero".

Slice all'Indietro: La lente evidenzia istantaneamente ogni singola frase che ha creato o modificato quel numero.
Slice in Avanti: Evidenzia ogni frase che ha usato quel numero in seguito.

Invece di leggere 50 pagine, il detective ottiene un'unica lista evidenziata di sole 5 o 6 frasi che contano davvero. È come essere in grado di tracciare istantaneamente una specifica goccia d'acqua da un rubinetto fino al lavandino, ignorando il resto dell'impianto idraulico.

3. Il Fascicolo delle Prove (Livello 3)

Una volta che il detective ha trovato le frasi sospette, deve metterle insieme in un rapporto per correggere il bug. A volte, il rapporto diventa troppo lungo e il cervello del detective (il modello AI) viene sopraffatto.
Questo strumento agisce come un bibliotecario intelligente. Prende tutte le frasi evidenziate, le classifica per importanza e le impacchetta in un ordinato e conciso "Fascicolo delle Prove" che si adatta perfettamente allo zaino del detective (il limite di memoria). Questo garantisce che il detective veda prima gli indizi più importanti.

I Risultati: Ha Funzionato?

I ricercatori hanno testato questo nuovo sistema su 300 "crimini" reali (bug) provenienti da progetti software popolari. Hanno confrontato ARISE con un detective standard (l'agente SWE) che aveva solo gli strumenti di base.

Trovare la Scena del Crimine: Il detective standard poteva indovinare il edificio (file) giusto circa il 57% delle volte. ARISE ha indovinato correttamente il 67% delle volte.
Trovare la Stanza Esatta: Il detective standard ha indovinato la stanza (funzione) giusta il 43% delle volte. ARISE è salito al 60%.
Trovare la Frase Esatta: Il detective standard ha trovato la riga di codice giusta il 26% delle volte. ARISE ha migliorato questo dato al 41%.

Più importante ancora, poiché il detective poteva trovare il problema esatto più velocemente e con maggiore precisione, è stato in grado di correggere il bug con successo il 22% delle volte, rispetto al solo 17% per il detective standard.

Punti Chiave del Documento

La struttura non è sufficiente: Sapere solo come i file sono collegati non è abbastanza; devi sapere come i dati si muovono all'interno del codice.
La "Lente Magica" è la chiave: Il miglioramento più grande è arrivato dallo strumento Data-Flow Slicing. Ha permesso all'AI di saltare le congetture e andare direttamente alla fonte del problema.
Nessun bisogno di un traduttore: I ricercatori hanno provato ad aggiungere un passaggio in cui un'AI più piccola avrebbe riassunto i dati in inglese semplice per il detective principale. Hanno scoperto che questo era inutile. Il detective principale (un modello AI grande) poteva leggere i dati grezzi e strutturati perfettamente. Aggiungere il passaggio di riassunto ha solo sprecato tempo e denaro.
Il Limite: Il sistema è ottimo nel trovare problemi all'interno di una singola stanza. Tuttavia, se il problema inizia in una stanza, viene passato alla stanza di un vicino e causa un crash lì, il detective a volte si confonde. Questa è l'unica area che gli autori dicono richieda ulteriore lavoro in futuro.

In breve, ARISE offre agli agenti AI un modo per "tracciare il filo" di una variabile attraverso il codice, trasformando una ricerca dell'ago nel pagliaio in un percorso diretto verso la soluzione.

Riepilogo Tecnico: ARISE – Una Rappresentazione a Grafo a Livello di Repository e un Set di Strumenti per il Localizzazione di Guasti e la Riparazione di Programmi Agente

Enunciato del Problema

La Riparazione Automatica di Programmi (APR) e la localizzazione di guasti su scala di repository richiedono agli agenti di navigare in basi di codice complesse che attraversano più file, moduli e pacchetti. Sebbene i sistemi agentiche esistenti (ad es. SWE-agent) possano interagire con i repository, spesso faticano nella localizzazione fine dei guasti (identificazione di funzioni e righe specifiche) a causa di una mancanza di precisione semantica.

Gli approcci basati su grafi attuali modellano tipicamente le relazioni strutturali (file, classi, funzioni e le loro dipendenze di chiamata/importazione) ma non riescono a modellare il flusso di dati intra-procedurale. Di conseguenza, gli agenti mancano della capacità di tracciare come i valori delle variabili vengono definiti e propagati all'interno di una procedura. Questa limitazione costringe gli agenti a fare affidamento sulla similarità lessicale o su un'ampia traversata strutturale, che è insufficiente per individuare le esatte istruzioni responsabili di un bug, specialmente quando il guasto coinvolge un uso complesso delle variabili all'interno di una funzione.

Metodologia

Gli autori presentano ARISE (Agentic Repository-level Issue Solving Engine), un sistema che potenzia il framework SWE-agent con un grafo di programma strutturato e interrogabile e un'API a strumenti su tre livelli. L'innovazione principale è l'integrazione dello slicing del flusso di dati come primitiva di primo piano per l'agente.

1. Grafo di Programma a Multi-Granularità

ARISE costruisce un grafo di proprietà diretto e tipizzato ( $G = (V, E)$ ) che unifica due livelli di informazioni:

Relazioni Strutturali: I nodi rappresentano directory, moduli, classi, funzioni, metodi e istruzioni. Gli archi catturano il contenimento, le importazioni, l'ereditarietà e le relazioni di chiamata.
Relazioni di Flusso di Dati: Il grafo si estende al livello di istruzione. Per ogni funzione/metodo, il sistema esegue un'analisi intra-procedurale per identificare le catene definizione-uso (def-use).
- Nodi: I nodi di istruzione corrispondono alle istruzioni AST di livello superiore.
- Archi: Gli archi DataflowDefUse e DataflowUseDef collegano le istruzioni in cui una variabile è definita alle istruzioni in cui è utilizzata (e viceversa).
- Ambito: Questa analisi rispetta l'ambito lessicale (gestendo le dichiarazioni global/nonlocal) e copre i comuni pattern di assegnazione in Python (assegnazioni, assegnazioni aumentate, target di loop, gestori di contesto e parametri).

2. API a Strumenti su Tre Livelli

Il grafo è esposto all'agente LLM attraverso un'API modulare, consentendo all'agente di interrogare le prove in modo iterativo:

Livello 1: Recupero Strutturale: Strumenti per la ricerca di entità, la traversazione dei grafi di chiamata/importazione e il recupero di intervalli di codice. Questo riproduce le capacità dei precedenti sistemi a grafo strutturale (ad es. RepoGraph, LocAgent).
Livello 2: Slicing del Flusso di Dati: La novità principale. Lo strumento get_dataflow_slice consente all'agente di tracciare i flussi di variabili. Dato un seme (file, riga, variabile) e una direzione (indietro, avanti o bidirezionale), restituisce un elenco strutturato di intervalli di istruzioni che definiscono o consumano la variabile. Ciò permette all'agente di rispondere alla domanda "quali istruzioni influenzano questa variabile?" in una singola query.
Livello 3: Raggruppamento del Contesto: Strumenti (build_context_bundle, rank_suspect_regions) che assemblano le prove recuperate in un pacchetto di contesto vincolato dal budget di token. Assegnano un punteggio agli intervalli di codice in base alla rilevanza TF-IDF, alla vicinanza strutturale e all'appartenenza allo slicing, garantendo che il codice causalmente più rilevante sia presentato al sub-agente di riparazione.

3. Ciclo dell'Agente

ARISE opera sullo scaffold di SWE-agent. L'agente interagisce con il repository tramite un protocollo multi-turno, scegliendo di chiamare strumenti strutturali, strumenti di slicing o strumenti di raggruppamento secondo necessità. Il sistema è progettato per essere agnostico rispetto al framework, consentendo al costruttore del grafo e all'API di slicing di essere integrati in qualsiasi agente capace di utilizzare strumenti.

Contributi Chiave

Grafo di Programma a Multi-Granularità: Un grafo di repository che unifica l'organizzazione strutturale con le informazioni sul flusso di dati intra-procedurale a livello di istruzione, consentendo agli agenti di interrogare direttamente la propagazione dei valori.
Slicing del Flusso di Dati come Primitiva Agente: L'introduzione di get_dataflow_slice come strumento interrogabile. A differenza dell'elaborazione statica, ciò consente agli agenti di tracciare dinamicamente definizioni e usi delle variabili durante il ragionamento, restituendo un output strutturato su cui i modelli possono ragionare direttamente.
Set di Strumenti Agnostico rispetto al Framework: Un'implementazione disaccoppiata del costruttore del grafo e dell'API di slicing, progettata come plugin plug-and-play per future ricerche APR senza richiedere la reimplementazione della logica di analisi sottostante.

Risultati Sperimentali

Il sistema è stato valutato su SWE-bench Lite (300 problemi reali di GitHub su 11 repository Python) utilizzando Qwen2.5-Coder-32B-Instruct come back-end.

Prestazioni di Localizzazione

Rispetto alla baseline SWE-agent non modificata:

Recall@1 Funzione: Migliorato di 17,0 punti (dal 43,0% al 60,0%).
Recall@1 Riga: Migliorato di 15,0 punti (dal 26,0% al 41,0%).
Recall@1 File: Migliorato di 10,0 punti.
Analisi di Ablazione:
- L'aggiunta del Livello 1 (Strutturale) ha fornito un miglioramento di base rispetto a SWE-agent.
- L'aggiunta del Livello 2 (Slicing del Flusso di Dati) ha prodotto il miglioramento singolo più grande (+7,0 punti nel Recall@1 Funzione), confermando che il tracciamento del flusso di dati è fondamentale per la localizzazione fine.
- L'aggiunta del Livello 3 (Raggruppamento del Contesto) ha fornito ulteriori guadagni incrementali.
- ARISE-Coarse (schema Livello 1 + Livello 2 ma senza archi di flusso di dati) ha prestazioni simili al solo Livello 1, dimostrando che il miglioramento deriva dai dati del grafo stessi, non dalla semplice presenza di uno strumento aggiuntivo.
- ExplainSlice (aggiunta di riepiloghi in linguaggio naturale agli slicing) non ha fornito nessun miglioramento misurabile, indicando che i grandi modelli di codice (scala 32B) possono ragionare direttamente sugli output strutturati degli slicing senza mediazione in linguaggio naturale.

Prestazioni di Riparazione

Pass@1: ARISE-Full ha raggiunto il 22,0% (66/300), un miglioramento di 4,7 punti percentuali rispetto alla baseline SWE-agent (17,3%).
Correlazione: Si osserva un forte aumento monotono nella correlazione di Spearman tra Recall@1 Funzione e Pass@1 man mano che vengono aggiunti strumenti più precisi (da 0,38 in SWE-agent a 0,53 in ARISE-Full). Ciò conferma che la qualità della localizzazione è il vincolo vincolante sul successo della riparazione in questo contesto.

Significato e Affermazioni

Il documento afferma che il collo di bottiglia principale nell'APR a livello di repository non è solo la capacità di ragionamento dell'LLM, ma come il contesto rilevante viene localizzato e strutturato.

Flusso di Dati come Primitiva di Recupero: Gli autori sostengono che esporre gli slicing def-use intra-procedurali come strumento di primo piano è più efficace che affidarsi alla sola topologia strutturale. Riduce lo spazio di ricerca, permettendo agli agenti di impegnarsi in un'ipotesi a livello di funzione basata su un singolo slicing all'indietro invece di attraversare ampi grafi di chiamata.
Strutturato vs. Linguaggio Naturale: I risultati mettono in discussione l'assunto che l'analisi strutturata debba essere riassunta in linguaggio naturale per gli LLM. Alla scala di 32 miliardi di parametri, i modelli consumano direttamente gli output strutturati degli slicing, rendendo gli strati di riepilogo inutili e costosi.
Limitazioni Modeste: Gli autori riconoscono che il sistema attuale è intra-procedurale. Non può tracciare i flussi di variabili attraverso i confini di chiamata (inter-procedurale), il che spiega il 45% dei fallimenti rimanenti (errori di file errato). Identificano l'estensione allo slicing inter-procedurale come la direzione principale per il lavoro futuro. Inoltre, l'approccio è attualmente specifico per Python a causa della sua dipendenza dai tipi di nodi AST.

In sintesi, ARISE dimostra che l'arricchimento dei flussi di lavoro agentiche con grafi di flusso di dati precisi e interrogabili migliora significativamente la localizzazione dei guasti e, di conseguenza, i tassi di successo della riparazione automatica dei programmi.