Beyond Textual Repository Exploration: Dual-Modal Structural Reasoning for Agentic Issue Resolution
Dit artikel introduceert DUALVIEW, een duaal-modaal framework dat agentische probleemoplossing in grootschalige repositories verbetert door gefragmenteerde tekstgebaseerde navigatie te vervangen door persistente visuele representaties van code-afhankelijkheden over vier complementaire grafiekweergaven, waardoor langetermijnexploratie en structurele redenering worden verbeterd.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een detective bent die een mysterie probeert op te lossen in een enorme, uitgestrekte stad (de software-repository). Jouw taak is om een specifieke kapotte straatlantaarn (de bug) te vinden en te repareren.
De Oude Manier: De "Tekst-alleen" Detective
Momenteel werken de meeste AI-detectives zo: ze krijgen een lijst met tekstuele aanwijzingen. Ze moeten een bestand lezen, dan een ander bestand lezen, dan zoeken naar een trefwoord, en dan een derde bestand lezen. Ze proberen een mentale kaart van de stad te construeren door simpelweg één voor één verkeersborden te lezen.
Het probleem? De stad is enorm. De verbindingen tussen gebouwen (code-afhankelijkheden) zijn complex. Tegen de tijd dat de detective genoeg tekst heeft gelezen om te begrijpen hoe twee verre gebouwen met elkaar verbonden zijn, raken ze de weg kwijt, raken ze in de war of "dwalen" ze van het pad af. Ze proberen een 3D-kaart te reconstrueren op basis van een 2D-lijst met woorden. Dat is traag, en ze missen vaak het grote plaatje.
De Nieuwe Manier: DUALVIEW
De paper introduceert een nieuwe tool genaamd DUALVIEW. In plaats van de detective alleen een lijst met tekstuele aanwijzingen te geven, geeft DUALVIEW hen twee dingen tegelijkertijd:
- Een Visuele Kaart: Een duidelijk, kleurrijk diagram dat laat zien hoe de wijken, straten en gebouwen van de stad met elkaar verbonden zijn.
- Een Tekstuele Legenda: Een gedetailleerde geschreven gids die precies uitlegt wat elk gebouw is en waar het zich bevindt.
De detective kan naar de kaart kijken om direct de "vorm" van het probleem te zien (bijv. "Oh, dit kapotte licht is verbonden met drie andere gebouwen hier aan deze kant!") en vervolgens de tekst gebruiken om het exacte adres te vinden om het te repareren.
De Vier "Kaarten" die DUALVIEW Gebruikt
Om dit werkend te krijgen, toont DUALVIEW niet slechts één kaart; het toont vier verschillende soorten kaarten, afhankelijk van wat de detective moet zien:
De Wijkkaart (Module Coupling Graph):
- Analogie: Een kaart die laat zien welke stadswijken met welke andere wijken verbonden zijn.
- Gebruik: Helpt de detective om te bepalen in welk algemeen gebied van de stad eerst gezocht moet worden, in plaats van de hele stad blindelings af te zoeken.
De Telefoonlijst (Function Call Graph):
- Analogie: Een schema dat laat zien wie wie belt.
- Gebruik: Als een specifieke functie (een werker) niet goed functioneert, laat deze kaart zien wie hem heeft opgeroepen en wie hij vervolgens weer heeft opgeroepen. Het volgt de stroom van acties.
De Stamboom (Class Hierarchy Graph):
- Analogie: Een stamboom die ouders, kinderen en neven/nichten laat zien.
- Gebruik: In programmeren is de ene code een "ouder" en andere code is een "kind" dat eigenschappen overneemt. Als de ouder een regel heeft, volgt het kind die regel. Deze kaart helpt de detective om de werkelijke bron van de regel te vinden, zelfs als de foutmelding alleen de "kind"-code vermeldt.
Het Blauwdruk (Program Dependence Graph):
- Analogie: Een gedetailleerde blauwdruk van een enkele kamer die laat zien hoe de leidingen en draden binnen de muren verbonden zijn.
- Gebruik: Zodra de detective in de specifieke kamer (functie) is, laat deze kaart precies zien hoe de data van de ene stap naar de volgende stroomt om de exacte kapotte draad te vinden.
Hoe het in de Praktijk Werkt
De paper testte deze nieuwe methode op echte software-reparatietaken (met behulp van benchmarks genaamd SWE-bench). Dit is wat zij vonden:
- Snellere Reparaties: De AI-agenten die DUALVIEW gebruikten, losten meer problemen op dan de agenten die de oude tekst-alleen methode gebruikten.
- Minder Verwarring: De agenten maakten minder fouten en raakten minder vaak "verdwaald" in de code.
- Goedkoper in Gebruik: Verrassend genoeg, hoewel de AI ook afbeeldingen moest bekijken (wat meestal meer rekenkracht kost), bespaarde het daadwerkelijk geld. Omdat de visuele kaarten de AI hielpen het antwoord sneller te vinden, hoefde de AI minder vragen te stellen of minder bestanden te lezen in totaal.
- De Beste Combinatie: De AI presteerde het best wanneer het zowel de kaart als de tekst had. De kaart hielp de AI om snel het grote plaatje te zien, terwijl de tekst de precieze details gaf die nodig waren voor de eigenlijke reparatie.
De Kern van het Verhaal
De paper betoogt dat software-repositories van nature gestructureerd zijn als complexe netwerken (grafen), maar dat we AI er steeds toe dwingen ze als eenvoudige lijsten met tekst te lezen. Door een visuele laag toe te voegen waarmee de AI de structuur van de code kan "zien", kunnen we de AI helpen om bugs veel sneller en nauwkeuriger op te lossen. Het is het verschil tussen navigeren in een stad door een telefoonboek te lezen versus het kijken naar een GPS-kaart.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.