기술 요약: DUALVIEW – 에이전트 기반 이슈 해결을 위한 이중 모드 구조적 추론

1. 문제 정의

최근 대규모 언어 모델(LLM) 기반 에이전트의 발전은 반복적인 저장소 탐색을 가능하게 함으로써 자동 프로그램 수정(APR) 능력을 향 향상시켰습니다. 그러나 기존 방식은 주로 순차적인 텍text 기반 코드 내비게이션에 의존합니다. 이러한 텍스트 중심 인터페이스는 대규모, 장기적 관점(long-horizon)의 저장소에서 이슈를 해결하는 데 있어 두 가지 근본적인 한계를 부과합니다.

1. 파편화된 관찰(Fragmented Observations): 에이전트는 grep, cat, 쉘 명령과 같은 도구를 통해 저장소를 탐색합니다. 각 상호작용은 코드베이스의 아주 작은 파편만을 드러내며, 이로 인해 에이전트는 흩어진 텍스트 증거로부터 구조적 관계(예: 모듈 결합도, 호출 체인)를 정신적으로 재구성해야 합니다. 이는 탐색 범위가 넓어짐에 따라 "탐색 표류(exploration drift)"와 불완전한 국지화(localization)를 초래합니다.
2. 그래프 구조의 선형화(Linearization of Graph Structures): 저장소 의존성은 본질적으로 그래프 구조이지만, 기존 시스템은 이러한 관계를 에이전트에게 제시하기 전에 선형 텍스트 설명이나 에지 리스트(edge lists)로 직렬화합니다. 이러한 선형화는 위상(topology)을 모호하게 만들어, 멀티 홉 경로, 분기 구조 및 밀집된 의존성 영역을 인지하고 추론하는 것을 어렵게 만듭니다.

핵심 과제는 저장소의 그래프 구조적 특성과 현재 에이전트의 텍스트 중심 상호작용 사이의 불일치이며, 이는 효율적인 장기적 탐색과 의존성 분석을 저해합니다.

2. 방법론: DUALVIEW 프레임워크

저자들은 에이전트 시스템에 저장소의 다중 입도(multi-grained) 구조적 뷰를 제공하는 이중 모드 구조적 스캐폴딩 프레임워크인 DUALVIEW를 제안합니다. DUALVIEW는 구조를 텍스트로부터 재구성하는 대신, 동기화된 시각적 및 텍스트적 그래프 표현으로서 저장소 관계를 외부화합니다.

A. 다중 입도 구조적 뷰 (Multi-Grained Structural Views)

DUALVIEW는 저장소 구조를 다음과 같이 거친 수준에서 세밀한 수준으로 이어지는 탐색 계층 구조로 구성된 네 가지 상호 보완적인 그래프 뷰로 분해합니다.

1. 모듈 결합 그래프 (Module Coupling Graph, MCG): 서브시스템과 모듈 간의 결합을 포착하는 저장소 전역 뷰입니다. 에이전트가 코드베이스 내에서 자신의 위치를 파악하고 이슈를 유발할 수 있는 후보 서브시스템을 식별하도록 돕습니다.
2. 함수 호출 그래프 (Function Call Graph, FCG): 호출자-피호출자 전파 경로를 노출하는 크로스 함수 뷰입니다. 에이전트가 파일과 함수를 가로질러 동작을 추적하여 영향 범위를 이해할 수 있게 합니다.
3. 클래스 계층 그래프 (Class Hierarchy Graph, CHG): 상속 및 오버라이딩 관계를 상세히 기술하는 크로스 클래스 뷰입니다. 추상 API 단서(인터페이스/기초 클래스)와 구체적인 구현 사이의 간극을 메웁니다.
4. 프로그램 의존성 그래프 (Program Dependence Graph, PDG): 문장 수준의 데이터 및 제어 의존성을 포착하는 함수 내부 뷰입니다. 결함을 일으키는 특정 값의 흐름이나 제어 결정을 식별하는 데 도움을 줍니다.

이 뷰들은 매개변수화된 쿼리 인터페이스 $V(t, s, \theta)$를 통해 노출됩니다. 여기서 $t$는 뷰 유형, $s$는 시드 엔티티, $\theta$는 범위(홉 반경, 방향, 노드 예산)를 제어합니다.

B. 이중 모드 구조적 관찰 (Dual-Modal Structural Observations)

모든 그래프 쿼리에 대해, DUALVIEW는 다음을 포함하는 동기화된 응답을 반환합니다.

• 시각적 표현 (Visual Representation): 위상, 연결성 및 의존성 패턴을 보존하는 노드-링크 다이어그램(Graphviz를 통해 렌더링됨)입니다. 이는 전체적인 시각적 복잡도를 높이지 않으면서 글로벌 조직, 팬인/팬아웃(fan-in/fan-out) 패턴, 구조적 대안을 강조합니다.
• 텍스트적 표현 (Textual Representation): 동일한 그래프 슬라이스의 구조화된 직렬화로, 소스 수준 검사와 패치 합성을 위해 필요한 정밀한 의미론적 근거(파일 경로, 라인 번호, 엔티티 식별자 및 관계 의미론)를 제공합니다.

C. 적응형 구조적 추론 (Adaptive Structural Reasoning)

DUALVIEW는 기존 에이전트 루프에 적응형 추론 레이어로 통합됩니다. 에이전트는 현재 자신의 추론 상태를 평가하여 언제 구조적 뷰를 호출할지 결정합니다.

• 서브시스템 방향 설정: 모듈 조직이 불분명할 때 MCG를 사용합니다.
• 함수 전파: 함수의 상류/하류 역할이 모호할 때 FCG를 사용합니다.
• 계층적 해결: 추상 클래스나 인터페이스를 다룰 때 CHG를 사용합니다.
• 로컬 의존성: 제어/데이터 흐름을 분석하기 위해 특정 구현으로 범위를 좁힐 때 PDD를 사용합니다.

이를 통해 에이전트는 구조적 추론(그래프 탐색)과 소스 수준 검사(코드 편집) 사이를 자연스럽게 전환할 수 있습니다.

3. 주요 기여

1. 이중 모드 구조적 스캐폴딩: 저장소 구조를 동기화된 시각적 및 텍스트적 그래프 표현으로 외부화하여, 에이전트가 저장소 수준의 조직과 미세한 의존성 모두를 가로질러 추론할 수 있게 하는 DUALVIEW를 제안했습니다.
2. 포괄적 평가: 다양한 에이전트 프레임워크(mini-SWE-agent, OpenCode), 파운데이션 모델(Claude 4.5 Sonnet, Kimi K2.5, Gemini 3 Flash), 그리고 벤치마크(SWE-bench Pro, SWE-bench Verified)를 통한 평가를 수행했습니다.
3. 오픈 소스 구현: 미래 연구를 촉진하기 위해 재사용 가능한 도구 및 모델 컨텍스트 프로토콜(MCP) 서비스로 패키징된 DUALVIEW 구현을 공개합니다.

4. 실험 결과

저자들은 SWE-bench Pro(731개 인스턴스)와 SWE-bench Verified(500개 인스턴스)에서 DUALVIEW를 평가했습니다.

• 전반적인 효과성: DUALVIEW는 다양한 에이전트 아키텍처와 모델 제품군에서 일관되게 이슈 해결 성능을 향상시켰습니다.
  • SWE-bench Pro에서, Kimi K2.5를 사용하는 OpenCode의 경우, DUALVIEW는 388개 인스턴스(53.1%)를 해결하여 베이스라인(342개 인스턴스) 대비 46개(+13.5%) 개선된 성과를 보였습니다.
  • Claude 4.5 Sonnet을 사용하는 mini-SWE-agent의 경우, 375개 인스턴스(51.3%)를 해결하여 기존 대비 5.6% 상승했습니다.
  • SWE-bench Verified에서, DUALVIEW를 mini-SWE-agent 및 Gemini 3 Flash와 통합했을 때 **79.8%**의 해결률(500개 중 399개)을 달성하여 베이스라인(75.8%)을 능가했으며, 인스턴스당 평균 비용을 $0.36에서$0.18로 절감했습니다.
• 비용 효율성: 시각적 그래프 생성에 따른 오버헤드에도 불구하고, DUALVIEW는 LLM 단계 수와 인스턴스당 총 추론 비용을 줄였습니다. 이는 잘못된 탐색과 불필요한 컨텍스트 축적을 방지했기 때문입니다.
• 어블레이션 연구 (Ablation Studies):
  • 이중 모드 vs. 텍스트 전용: 시각적 그래프 표현만 사용했을 때가 텍스트 그래프 직렬화보다 높은 성능을 보였습니다(78 vs. 71개 해결). 두 모달리티의 결합이 가장 강력한 성능(81개 해결)을 냈으며, 이는 시각적 토폴로지가 내비게이션을 돕고 텍스트 모달리티가 정밀한 편집을 가능하게 함을 확인시켜 줍니다.
  • 다중 입도 뷰: 각각의 개별 그래프 뷰(MCG, FCG, CHG, PDG)는 베이스라인보다 성능을 향상시켰습니다. 모든 뷰를 결 조합했을 때 단일 뷰 변형보다 일관되게 높은 성능을 보여, 다양한 정밀도의 구조적 정보의 필요성을 입증했습니다.
• 베이스라인과의 비교: DUALVIEW는 그래프의 텍스트 직렬화에 의존하는 기존 텍스트 중심 에이전트(SWE-agent, Live-SWE-agent) 및 기타 그래프 기반 접근 방식(RepoGraph, CodeGraph)보다 우수한 성능을 보였습니다.

5. 의의 및 주장

본 논문은 이중 모드 구조적 추론이 모델 특정 최적화가 아닌, 에이전트 기반 이슈 해결을 위한 일반적인 향상 수단임을 입증한다고 주장합니다.

• 패러다임의 전환: 본 연구는 텍스트 중심의 탐색에서 시각적 구조적 추론으로의 전환을 주장합니다. 저장소 그래프는 단순한 **검색 대상(retrieval artifacts, 직렬화된 텍스트)**이 아니라 추론 대상(reasoning artifacts, 직접 관찰 가능한 구조) 역할을 해야 한다고 봅니다.
• 한계 완화: 연결성과 멀티 홉 관계를 즉각적으로 인지할 수 있게 함으로써, DUALVIEW는 파편화된 텍스트 관찰로 인한 "탐색 표류"와 선형 텍스트에서 복잡한 토폴로지를 파악하기 어려운 문제를 완화합니다.
• 상호 보완성: 결과는 시각적 모달리티와 텍스트 모달리티가 상호 보완적임을 시사합니다. 시각적 모달리티는 효율적인 내비게이션을 위한 "지도"(토폴로지 및 구조)를 제공하고, 텍스트 모달리티는 정밀한 동작을 위한 "좌표"(파일 경로 및 라인 번호)를 제공합니다.

저자들은 보완적인 시각적 및 텍스트적 그래프 표현을 통해 저장소 구조를 노출하는 것이 복잡한 코드베이스에서 장기적 이슈를 해결하는 능력을 크게 향상시킨다고 결론짓습니다.