💬 NLP

Closing the Loop: Universal Repository Representation with RPG-Encoder

이 논문은 원시 코드를 동적인 저장소 계획 그래프(Repository Planning Graph)로 인코딩함으로써 코드 이해와 생성을 고충실도, 확장 가능한 표현으로 통합하여 코드 로컬라이제이션에서 최첨단 성능을 달축하고 거의 완벽한 재구성 커버리지를 달성하는 프레임워크인 RPG-Encoder를 소개한다.

원저자: Jane Luo, Chengyu Yin, Xin Zhang, Qingtao Li, Steven Liu, Yiming Huang, Jie Wu, Hao Liu, Yangyu Huang, Yu Kang, Fangkai Yang, Ying Xin, Scarlett Li

게시일 2026-02-04

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Jane Luo, Chengyu Yin, Xin Zhang, Qingtao Li, Steven Liu, Yiming Huang, Jie Wu, Hao Liu, Yangyu Huang, Yu Kang, Fangkai Yang, Ying Xin, Scarlett Li

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 거대한 고대 도서관을 수리하려고 노력 중이라고 상상해 보세요. 책들은 여기저기 흩어져 있고, 서가는 혼란스러우며, 당신이 가진 유일한 지도는 모든 책의 제목만 적혀 있는 목록(하지만 어디에 있는지는 모름)이거나, 모든 방의 목록(하지만 그 안에 무엇이 들어있는지는 모름) 중 하나뿐입니다.

이것이 바로 컴퓨터 과학자들이 거대한 코드베이스의 버그를 수정하기 위해 소프트웨어 에이전트(AI 조력자)를 작성할 때 직면하는 문제입니다. **"Closing the Loop: Universal Repository Representation with RPG-Encoder"**라는 논문은 AI가 실제로 이해할 수 있도록 이 디지털 도서관을 정리하는 새로운 방법을 제안합니다.

다음은 이들의 해결책을 쉬운 비유를 사용하여 설명한 내용입니다.

문제점: "고장 난 지도"

현재 코드를 수정하려는 AI 에이전트들은 두 가지 나쁜 선택지 사이에서 갇혀 있습니다:

사전 방식 (API 문서): 모든 단어가 무엇을 의미하는지 설명하는 사전을 가지고 있지만, 그 단어가 몇 페이지에 있는지 또는 문장들이 어떻게 연결되는지는 알지 못하는 것과 같습니다. AI는 의미는 알지만, 위치를 찾는 데 길을 잃습니다.
설계도 방식 (의존성 그래프): 도서관의 방과 복도가 어떻게 연결되어 있는지 보여주는 설계도를 가지고 있는 것과 같습니다. A 방에서 B 방으로 어떻게 가는지 보여주지만, 그 안에 있는 책들이 실제로 무엇을 하는지는 알려주지 않습니다. AI는 경로는 알지만, 목적은 모릅니다.

이 때문에 AI 에이전트는 "무엇(의미)"과 "어디(구조)"를 연결하지 못해 혼란에 빠지거나, 뱅뱅 돌거나, 환각(hallucination, 잘못된 정보를 만들어냄) 현상을 일으키곤 합니다.

해결책: "살아 움직이는 지도" (RPG-Encoder)

저자들은 RPG-Encoder라고 불리는 도구를 만들었습니다. 이것은 두 세계의 장점을 결합한 하이브리드 지도라고 생각하면 됩니다. 이는 AI를 위한 살아있는 가이드 역할을 하는 "리포지토리 플래닝 그래프(Repository Planning Graph, RPG)"를 생성합니다.

이들은 세 가지 영리한 기술을 사용하여 이 지도를 구축했습니다:

1. "번역가" (인코딩)

단순히 코드를 한 줄씩 읽는 대신, 이 시스템은 엉망으로 쌓인 책 더미를 읽고 즉시 각 책에 대한 요약 카드를 만드는 매우 똑똑한 사서처럼 행동합니다.

작동 방식: 원시 코드를 가져와서 이를 "시맨틱 피처(semantic feature)"(예: "세금을 계산함"과 같이 코드가 실제로 무엇을 하는지에 대한 간단한 설명)로 변환하고 이를 물리적 위치와 연결합니다.
비유: 창고의 모든 상자에 주소만 적는 것이 아니라, "겨울 코트" 또는 "전자제품"과 같은 명확한 표지판을 붙이는 것과 같습니다. 이제 AI는 모든 상자를 열어보지 않고도 그 안에 무엇이 들어있는지 정확히 알 수 있습니다.

2. "자기 업데이트 시스템" (진화)

코드는 항상 변합니다. 보통 도서관에 새로운 별관이 추가되면, 지도를 처음부터 다시 그려야 하며 이는 시간이 엄청나게 오래 걸리고 비용도 많이 듭니다.

작동 방식: RPG-Encoder는 변경된 특정 부분의 지도만 업데이트합니다. 만약 함수가 삭제되면 해당 브랜치를 제거합니다. 새로운 함수가 추가되면 그 자리에 끼워 넣습니다.
비유: 새로운 거리가 생길 때마다 도시 전체를 다시 스캔할 필요가 없는 GPS를 상상해 보세요. 단지 공사가 진행 중인 특정 블록만 업데이트하면 됩니다. 논문에 따르면 이 방식은 지도를 통째로 다시 그리는 것에 비해 노력의 **95.7%**를 절감한다고 주장합니다.

3. "스마트 가이드" (운영)

지도가 구축되면, AI는 음성 명령 기능이 있는 GPS처럼 이 지도를 사용합니다.

작동 방식: AI는 "사용자 로그인을 처리하는 코드를 어디에서 찾을 수 있나요?"라고 물을 수 있습니다. 지도는 즉시 올바른 "기능 영역"을 가리킨 다음, AI를 정확한 코드 라인까지 이어지는 특정 "의존성 경로"로 안내합니다.
비유: 도서관을 돌아다니며 "이 책이 이 선반에 있나? 아니네. 저 선반에 있나? 아니네"라고 묻는 대신, 가이드가 "역사 섹션, 세 번째 통로, 4번 선반으로 가세요. 바로 거기에 있습니다"라고 말해주는 것과 같습니다.

결과: 효과가 있는가?

저자들은 이 시스템을 두 가지 주요 과제에 대해 테스트했습니다:

버그 찾기 (Localization): 그들은 AI에게 실제 소프트웨어 프로젝트(유명한 SWE-bench 등)에서 특정 버그를 찾도록 요청했습니다.
- 결과: RPG-Encoder는 이전 방법들보다 훨씬 뛰어난 성능을 보였습니다. 5번의 기회가 주어졌을 때 93.7%의 확률로 올바른 코드를 찾아냈으며, 이는 차세대 방식들을 큰 차이로 앞선 결과였습니다. 마치 AI가 문제의 위치를 정확히 볼 수 있는 X-ray 안경을 갑자기 얻은 것과 같았습니다.
도서관 재건하기 (Reconstruction): 그들은 오직 이 지도만을 가이드로 사용하여 전체 소프트웨어 프로젝트를 처음부터 다시 구축해 보았습니다.
- 결과: AI는 원래 코드 구조의 **98.5%**를 성공적으로 재건했습니다. 반면, 표준 문서(위의 "사전 방식")를 사용했을 때 AI는 약 17%의 코드만 재건한 후 길을 잃었습니다. 지도는 AI가 궤도를 벗어나지 않도록 유지하는 데 필요한 구조를 제공했습니다.

핵심 요약

이 논문은 AI가 진정으로 소프트웨어 엔지니어링을 잘하게 하려면, 단순히 코드만 주거나 단순히 지침 목록만 주어서는 안 된다고 주장합니다. 우리는 코드의 의도(코드가 무엇을 해야 하는가)와 구조(코드가 어떻게 조직되어 있는가)를 연결하는 통합된 지도가 필요합니다.

RPG-Encoder는 이 지도를 구축하여, AI가 인간 전문가와 같은 정밀도로 복잡한 코드베이스를 탐색할 수 있게 하며, 코드가 변경됨에 따라 자동으로 스스로를 업데이트할 수 있게 합니다. 이는 "문제를 이해하는 것"과 "코드를 수정하는 것" 사이의 고리를 닫아줍니다.

기술 요약: RPG-Encoder를 통한 루프 완성 (Closing the Loop with RPG-Encoder)

문제 정의

현재의 저장소 수준(repository-level) 소프트웨어 엔지니어링 에이전트들은 파편화된 표현 방식으로 인해 "추론 단절(reasoning disconnect)" 문제에 직면해 있습니다. 기존 방식들은 일반적으로 고립된 API 문서나 의존성 그래프에 의존하는데, 이들 중 어느 것도 완전한 그림을 제공하지 못합니다:

API 문서: 의미론적 의도(semantic intent)는 풍부하지만, 장황하고 비구조적이며 전역적인 탐색 능력이 부족합니다. 에이전트는 건축적 연결성을 추론하는 데 어려움을 겪으며, 이는 장기적 추론(long-horizon reasoning)의 난제로 이어집니다.
의존성 그래프: 매우 구조적이고 실행 중심적이지만, 의미론적 깊이가 제한적입니다. 에이전트는 실행 경로를 따라갈 수는 있지만, 근저에 깔린 논리적 근거나 상위 수준의 의도를 반영하는 데는 실패하곤 합니다.

나아가, 이러한 표현 방식과 코드베이스 간의 일관성을 유지하는 데 드는 비용은 매우 높습니다. 문서는 의미적 드리프트(semantic drift)가 발생하기 쉽고, 정적 그래프는 업데이트 과정에서 논리적 함의를 간과하기 쉽습니다. 본 논문은 이러한 단절이 저장소 이해를 생성(intent를 코드로 확장)과 이해(코드를 intent로 압축) 사이의 내재적 대칭성을 무시한 채, 이를 고립되고 단방향적인 작업으로 취급하는 데서 기인한다고 주장합니다.

방법론: RPG-Encoder

저자들은 **Repository Planning Graph (RPG)**를 정적인 생성 청사진에서 통합적이고 고충실도의 양방향 표현으로 일반화하는 프레임워크인 RPG-Encoder를 제안합니다. 이 시스템은 세 가지 결합된 메커니ism을 통해 작동합니다:

1. 인코딩(Encoding): 의미론적 리프팅 및 계층적 추출

본 프레임워크는 3단계 파이프라인을 통해 원시 코드베이스를 구조화된 의미론적 인덱스로 변환합니다:

의미론적 리프팅 (Semantic Lifting): 코드 엔티티(함수, 클래스)를 파싱하여 원자적 의미 특징(코드가 '어떻게' 하는지가 아니라 '무엇을' 하는지를 설명하는 동사-목적어 구문)을 추출합니다. 이는 기능적 설명과 구조적 메타데이터(파일 경로, 타입)를 모두 포함하는 저수준 노드( $V_L$ )로 매핑됩니다.
의미론적 구조 재구성 (Semantic Structure Reorganization): 물리적 폴더 구조의 한계를 극복하기 위해, 시스템은 잠재적인 기능적 토폴로지(functional topology)를 복구합니다. 시스템은 **기능적 추상화(Functional Abstraction)**를 수행하여 상위 수준의 기능적 중심점(예: "데이터 전처리")을 식별하고, **계층적 집계(Hierarchical Aggregation)**를 통해 저수level 노드들을 이 중심점들에 재귀적으로 연결함으로써 상위 수준 노드 집합( $V_H$ )을 생성합니다.
아티팩트 그라운딩 (Artifact Grounding): 추상적 계층 구조는 물리적 아티팩트에 고정됩니다. 최저 공통 조상(LCA) 메커니즘을 통해 추상 노드를 특정 디렉토리 범위에 매핑합니다. 또한, AST 분석을 통해 **의존성 엣지( $E_{dep}$ )**를 주입하여 임포트(import)와 호출(call)을 포착함으로써, 이중 뷰(기능적 뷰 + 의존성 뷰) 그래프를 완성합니다.

2. 진화(Evolution): 점진적 유지보수

저장소 규모에 따른 유지보수 비용을 분리하기 위해, RPG-Encoder는 전체 재생성 대신 점진적 업데이트 전략을 채택합니다:

커밋 레벨 특징 추출: 시스템은 커밋 디프(diff)를 파싱하여 영향을 받은 코드 파편을 식 identifies 합니다.
원자적 업데이트: 디프 유형에 따라 다음 세 가지 프로토콜을 실행합니다:
- 삭제(Deletion): 노드를 제거하고 빈 부모 카테고리를 재귀적으로 가지치기합니다.
- 수정(Modification): 기능적 의도의 변화가 감지된 경우에만 의미적 설명을 업데이트하며, 그렇지 않으면 구조적 안정성을 유지하기 위해 인플레이스(in-place) 업데이트를 수행합니다.
- 추가(Addition): 기존 기능적 중심점과 의미론적 매칭을 통해 새로운 엔티티를 삽ert합니다.
  이 접근 방식은 전체 재구축 대비 유지보수 오버헤드를 95.7% 감소시킵니다.

3. 운용(Operation): 통합 추론 기질

RPG는 에이전트 추론을 위한 쿼리 가능한 인터페이스 역할을 하며, 세 가지 핵심 도구를 제공합니다:

SearchNode: 의미적 특징에 대한 의도 매칭이나 메타데이터 필터링을 통해 전역 검색을 수행하여, 기능적 뷰와 의존성 뷰 모두에서 정밀한 로컬라이제이션을 가능하게 합니다.
FetchNode: 검증된 후보에 대한 정확한 소스 컨텍스트와 메타데이터를 가져와, 에이전트가 추측이 아닌 그라운드 트루스(ground truth)를 바탕으로 추론하도록 보장합니다.
ExploreRPG: 의존성 엣지를 따라 크로스 뷰 트래버설(cross-view traversal)을 촉진하여, 에이전트가 비구조적 검색의 노이즈 없이 복잡한 실행 흐름을 따라갈 수 있도록 안내합니다.

주요 기여

통합 표현: 본 논문은 RPG를 이해와 생성을 연결하는 양방향 표현으로 일반화하여, 의미적 의도와 구조적 의존성이 연결된 통합된 사이클로서 저장소 추론을 이론적으로 정립했습니다.
RPG-Encoder 프레임워크: 코드로부터 상위 수준의 의도를 복구하는 의미론적 리프팅 프로토콜을 구현하고, 차등 업데이트를 통해 지속 가능한 진화를 지원하는 시스템을 구축했습니다.
이중 과업 검증: 본 프레임워크는 저장소 이해(localization)와 저장소 재구축(reconstruction) 모두에서 검증되었으며, 우수한 탐색 유틸리티와 고충실도 표현 능력을 입증했습니다.

실험 결과

저자들은 SWE-bench Verified, SWE-bench Live Lite, 그리고 RepoCraft를 통해 RPG-Encoder를 평가했습니다.

저장소 이해 (Localization):
- SWE-bench Verified에서 RPG-Encoder(Claude-4.5-Sonnet 사용)는 함수 수준에서 93.7% Acc@5를 달성하여, 최적의 베이스라인인 OrcaLoca보다 14.4 퍼센트 포인트 높은 성능을 보였습니다.
- SWE-bench Live Lite에서도 베이스라인보다 로컬라이제이션 정확도 면에서 10% 이상 앞섰습니다.
- 이중 뷰 구조(의미적 + 위상적)는 미세한 로컬라이제이션 성능을 크게 향상시켜, 불필요한 노이즈를 필터링하면서도 포괄적인 커버리지를 보장했습니다.
저장소 재구축 (Reconstruction):
- RepoCraft에서 RPG-Encoder는 98.5%의 커버리지와 86.0%의 패스 레이트(pass rate)(GPT-5-mini 사용)를 기록하며, 문서 기반 베이스라인보다 커버리지 면에서 33포인트 이상 높은 성능을 보였습니다.
- API 문서에 의존하는 베이스라인은 구조적 가이드의 부재로 인해 원래 코드 볼륨의 약 17%만을 복구한 반면, RPG-Encoder는 scikit-learn의 약 550k 토큰과 같이 인간이 작성한 골드 스탠다드에 필적하는 코드 볼륨을 재구축했습니다.
효율성:
- RPG-Encoder는 OrcaLoca 및 LocAgent와 같은 베이스라인보다 적은 단계와 낮은 토큰 소비량을 요구하여 가장 높은 비용 효율성(Acc@5/Cost)을 보여주었습니다.
- 점진적 유지보수 전략은 전체 재구축 시보다 토커 소비량을 95.7% 절감하면서도(약 14.7M에서 633K 토큰으로), 정확도 측면에서는 전체 재구축과 통계적 동등성을 유지했습니다.

의의 및 주장

본 논문은 RPG-Encoder가 **폐쇄 루프 소프트웨어 엔지니어링(closed-loop software engineering)**을 위한 견고한 토대를 마련한다고 주장합니다. 의미적 의도와 구조적 구현 사이의 간극을 메움으로써, 에이전트가 다음과 같은 작업을 수행할 수 있게 합니다:

상위 수준의 의도를 특정 구현 단위로 효과적으로 매핑하여, 복잡한 코드베이스를 정밀하게 탐색합니다.
완전한 저장소 의미와 아키텍처 모듈성을 보존하며, 높은 충실도로 저장소를 재구축합니다.
점진적 진화 메커니즘을 통해 일관성을 유지하면서도 과도한 계산 비용 없이 지속 가능한 규모로 운영합니다.

저자들은 RPG-Encoder의 성공이 **의미적 특징(semantic features)**과 **위상적 제약(topological constraints)**의 상호 보완적 강화에 달려 있음을 강조합니다. 두 요소 중 하나라도 제거하면 성능이 크게 저하되며, 이는 밀도 높은 의미론과 구조적 엄격함이 결합된 통합 표현이 효과적인 저장소 수준 추론에 필수적임을 확인시켜 줍니다.