Resumo Técnico: Aprendendo Execução Paralela Adaptativa para Localização Eficiente de Código

Declaração do Problema

A localização de código — a identificação de entidades de código específicas (arquivos, funções, trechos) necessárias para resolver um problema de software — é um gargalo crítico em pipelines de desenvolvimento de software automatizados. Estudos recentes indicam que agentes de última geração dedicam mais de 50% de seus recursos computacionais a essa tarefa. As abordagens atuais dependem tipicamente de execução sequencial de ferramentas, onde os agentes refinam consultas e inspecionam resultados iterativamente, turno a turno.

Este paradigma sequencial enfrenta um compromisso fundamental sob orçamentos computacionais restritos (turnos de interação limitados):

1. Inanição de Informação: Os agentes esgotam sua cota de interação antes de reunir evidências contextuais suficientes, levando a uma degradação acentuada da precisão.
2. Paralelismo Ineficiente: Embora a execução paralela de ferramentas (invocar múltiplas ferramentas em um único turno) ofereça uma solução para aumentar a densidade de informação, implementações ingênuas frequentemente impõem uma amplitude de paralelismo fixa. Isso resulta em alta redundância; o artigo observa que 34,9% das chamadas de ferramentas paralelas impostas em sistemas existentes são redundantes, não fornecendo ganho de informação incremental e desperdiçando recursos e introduzindo ruído.

O desafio central é alcançar uma paralelação abrangente, porém não redundante: maximizar a cobertura de informação para evitar a inanição enquanto elimina a exploração de código previamente examinado ou irrelevante.

Metodologia: FuseSearch

Os autores propõem o FuseSearch, um agente de localização de código minimalista que reformula a localização paralela de código como uma tarefa conjunta de otimização de qualidade–eficiência.

1. Conjunto de Ferramentas Minimalista

O FuseSearch opera sem infraestrutura auxiliar (ex: grafos de código, ASTs ou parsers específicos de linguagem). Ele depende de três ferramentas de leitura apenas, agnósticas à linguagem:

• grep: Busca de padrões baseada em regex no conteúdo dos arquivos.
• glob: Correspondência de padrões de caminho de arquivo.
• read_file: Leitura de conteúdos de arquivos com especificação opcional de intervalo de linhas.

2. Formulação de Objetivo Duplo

O framework otimiza duas métricas complementares:

• Qualidade de Localização ($F1$): Medida via precisão, recall e pontuações F1 tanto em nível de arquivo quanto de função.
• Eficiência da Ferramenta ($e$): Definida como a razão entre o ganho de informação único e o número total de invocações.
  • Para cada chamada de ferramenta $i$, o ganho de informação $g_i$ é calculado comparando as entidades retornadas com o histórico cumulativo de entidades descobertas ($H$).
  • $g_i = \frac{|E_i \setminus H|}{|E_i|}$ se $|E_i| > 0$, caso contrário, $0$.
  • A eficiência $e$ é a média do ganho de informação entre todos os $k$ chamados de ferramentas em uma trajetória: $e = \frac{1}{k} \sum g_i$.

3. Pipeline de Treinamento de Otimização Conjunta

O FuseSearch emprega uma abordagem de treinamento em dois estágios para aprender estratégias de paralelismo adaptativas:

• Estágio 1: Ajuste Fino Supervisionado (SFT) com Filtragem de Métrica Dupla

  • Um modelo professor capaz (Kimi-K2-Instruct) sintetiza trajetórias de treinamento.
  • Para garantir uma inicialização de alta qualidade, as trajetórias são filtradas para reter apenas aquelas que satisfazem tanto $F1 \geq \rho_F$ quanto $e \geq \rho_e$.
  • Isso produz um conjunto de dados de $\sim$6K trajetórias de alta qualidade usadas para ajustar modelos base (Qwen3-4B e Qwen3-30B), estabelecendo uma linha de base para execução paralela confiável (2–8 ferramentas por turno).

• Estágio 2: Aprendizado por Reforço (RL) com Recompensa Conjunta

  • Usando Otimização de Política Relativa de Grupo (GRPO), o modelo é otimizado adicionalmente para maximizar tanto $F1$ quanto $e$.
  • A função de recompensa é desenhada como:
    $$R(\tau) = \alpha \cdot F1(\tau) + \gamma \cdot (F1(\tau) \cdot e(\tau))$$
  • Racional de Design: O termo linear ($\alpha \cdot F1$) garante uma recompensa base para a localização correta. O termo multiplicativo ($\gamma \cdot F1 \cdot e$) atua como um "portão suave" (soft gate), amplificando recompensas apenas quando uma alta qualidade é alcançada com alta eficiência. Isso evita que o modelo otimize a eficiência às custas da precisão (ex: ler arquivos irrelevantes, mas novos) ou a precisão às custas de uma redundância massiva.

4. Paralelismo Adaptativo

Ao contrário de abordagens de amplitude fixa, o FuseSearch aprende a modular dinamicamente a amplitude da busca com base no contexto da tarefa, evoluindo de uma fase de exploração (paralelismo amplo para reunir contexto) para um estágio de refinamento (chamadas focadas e direcionadas), equilibrando efetivamente a amplitude de exploração com a precisão.

Principais Contribuições

1. Métrica de Eficiência de Ferramenta: A introdução da "eficiência da ferramenta" para quantificar a novidade da informação na busca de código, integrada em um framework de treinamento consciente de eficiência (SFT + RL) para otimizar conjuntamente a eficácia da busca e a eficiência computacional.
2. Agente FuseSearch: Um agente de localização minimalista usando apenas três ferramentas de leitura que iguala ou excede o desempenho de sistemas complexos que dependem de navegação em grafos ou parsing de AST.
3. Melhoria de Qualidade Impulsionada pela Eficiência: Demonstração de que o treinamento consciente de eficiência melhora naturalmente a qualidade da localização ao eliminar sinais ruidosos e redundantes, permitindo que modelos compactos (4B de parâmetros) superem agentes maiores, sequenciais ou pesados em infraestrutura.

Resultados Experimentais

Avaliado no SWE-bench Verified (386 exemplos), o FuseSearch-4B (treinado) demonstra desempenho superior em comparação tanto com baselines sequenciais quanto com outros métodos baseados em agentes:

• Qualidade de Localização:
  • Alcançou 84,7% de F1 em nível de arquivo e 56,4% de F1 em nível de função.
  • Supera a melhor baseline sequencial (RepoSearcher) por uma margem significativa (ex: +46,5% em F1 de arquivo).
  • Iguala o desempenho de modelos proprietários (Claude Haiku 4.5) enquanto utiliza modelos de código aberto (Qwen3-4B).
• Ganhos de Eficiência:
  • 93,6% de aceleração no tempo de relógio (wall-clock time) em comparação com a execução sequencial.
  • 67,7% de redução nos turnos de interação.
  • 68,9% de redução no consumo de tokens.
• Impacto Downstream: Quando usado como um módulo de pré-busca para um agente principal (Kimi-K2), o FuseSearch reduziu os turnos de interação em 23,1% e o tempo total da tarefa em 28,5% sem sacrificar as taxas de solução.

Significância e Alegações

O artigo argumenta que o treinamento consciente de eficiência é um passo crucial para o desenvolvimento de software automatizado em nível de produção. Ao reformular a execução paralela não apenas como uma tática de redução de latência, mas como um problema de otimização conjunta, o FuseSearch demonstra que:

• A exploração redundante é uma causa primária tanto de alto custo quanto de degradação da precisão.
• Aprender a distinguir entre informação "nova" e "redundante" permite que modelos compactos (4B de parâmetros) superem agentes maiores, sequenciais ou com muita infraestrutura.
• O paralelismo adaptativo, evoluindo da exploração ampla para o refinamento focado, é a chave para superar a inanição de informação sob orçamentos computacionais restritos.

Os autores concluem que sua abordagem permite a criação de agentes que não são apenas precisos, mas também computacionalmente práticos, abordando o "compromisso entre custo e precisão" que atualmente limita a aplicabilidade da localização automatizada em ambientes de tempo sensível.