Beyond Textual Repository Exploration: Dual-Modal Structural Reasoning for Agentic Issue Resolution
本論文は、断片的なテキストベースのナビゲーションを、4つの相補的なグラフビューを通じたコード依存関係の永続的な視覚表現に置き換えることで、長期間の探索と構造的推論を向上させ、大規模リポジトリにおけるエージェントによる課題解決を強化するデュアルモーダル・フレームワークであるDUALVIEWを導入するものである。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
あなたは、巨大で広大な都市（ソフトウェア・リポジトリ）の中で謎を解こうとしている探偵だと想像してください。あなたの仕事は、特定の壊れた街灯（バグ）を見つけ出し、それを修理することです。
旧来のやり方： 「テキストのみ」の探偵
現在、ほとんどのAI探偵はこのように動いています。彼らはテキストによる手がかりのリストを与えられます。あるファイルを読み、次に別のファイルを読み、キーワードを検索し、そして3番目のファイルを読みます。彼らは、一つひとつの道路標識を読み上げることで、都市のメンタルマップ（精神的な地図）を構築しようとしているのです。
問題は、都市が巨大すぎるという点です。建物同士のつながり（コードの依存関係）は複雑です。探偵が、2つの離れた建物がどのように接続されているかを理解するために十分なテキストを読み終える頃には、彼らは道に迷い、混乱し、あるいは軌道から外れてしまいます。彼らは、言葉による2次元のリストから、3次元の地図を再構築しようとしているのです。これは時間がかかり、全体像を見落とす原因となります。
新しいやり方： DUALVIEW
この論文では、DUALVIEWと呼ばれる新しいツールを紹介しています。DUALVIEWは、単にテキストの手がかりのリストを渡すのではなく、以下の2つのものを同時に提供します。
- 視覚的なマップ： 都市の各地区、通り、建物がどのように接続されているかを示す、明確で色彩豊かな図。
- テキストによる凡例： 各建物が具体的に何であり、どこに位置しているかを説明する、詳細な記述ガイド。
探偵は、マップを見ることで問題の「形」を瞬時に把握し（例：「おや、この壊れた街灯は、あちら側にある他の3つの建物とつながっているぞ！」）、それからテキストを使用して、修理すべき正確な住所を見つけ出すことができます。
DUALVIEWが使用する4つの「マップ」
これを実現するために、DUALVIEWは単一のマップを表示するのではなく、探偵が必要とするものに応じて、4つの異なるタイプのマップを表示します。
近隣マップ（モジュール結合グラフ）：
- 比喩： どの都市区がどの都市区とつながっているかを示すマップ。
- 用途： 都市全体を盲目的に捜索するのではなく、まずどのエリアに注目すべきかを判断するのに役立ちます。
電話帳（関数コールグラフ）：
- 比喩： 誰が誰に電話をかけているかを示すチャート。
- 用途： 特定の関数（作業員）の調子が悪い場合、このマップはその関数が誰から呼ばれ、次に誰を呼んだのかを示します。行動の流れを追跡します。
家系図（クラス階層グラフ）：
- 比喩： 親、子、そして従兄弟を示す家系図。
- 用途： プログラミングにおいて、あるコードは「親」であり、他のコードは性質を受け継ぐ「子」です。親にルールがある場合、子はそれに従います。このマップは、エラー報告が「子」についてのみ言及していても、そのルールの「真の源泉」を見つけるのに役立ちます。
設計図（プログラム依存グラフ）：
- 比喩： 壁の中の配管や配線がどのように接続されているかを示す、単一の部屋の詳細な設計図。
- 用途： 探偵が特定の部屋（関数）の中に入ったとき、このマップはデータがステップごとにどのように流れているかを示し、正確な断線箇所を見つけ出します。
実践における仕組み
この論文では、実世界のソフトウェア修正タスク（SWE-benchと呼ばれるベンチマークを使用）を用いて、この新しい手法をテストしました。その結果、以下のことが判明しました。
- より迅速な修正： DUALVIEWを使用したAIエージェントは、従来のテキストのみの手法を使用したエージェントよりも多くの問題を解決しました。
- 混乱の減少： エージェントはミスを減らし、コードの中で「迷子」になることも少なくなりました。
- コストの削減： 驚くべきことに、AIが画像（通常はより多くの計算能力を必要とするもの）を見る必要があるにもかかわらず、実際にはコストを節約できました。なぜなら、視覚的なマップがAIの回答発見を助けたため、AIは全体として質問の回数や読み込むファイルの数を減らすことができたからです。
- 最高の組み合わせ： AIは、マップとテキストの両方を持っていたときに最高のパフォーマンスを発揮しました。マップは全体像を素早く把握するのに役立ち、テキストは実際の修理を行うために必要な精密な詳細を提供しました。
結論
この論文は、ソフトウェア・リポジトリは本来、複雑なネットワーク（グラフ）のような構造を持っているにもかかわらず、私たちはそれらを単純なテキストのリストとして読むようAIに強いてきたのだと主張しています。コードの構造を「視覚的」に捉えるレイヤーを加えることで、AIがより速く、より正確にバグを解決できるようになります。それは、電話帳を読みながらナビゲートするのと、GPSマップを見ながらナビゲートする際の違いのようなものです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。