Resumo Técnico: BLAgent: RAG Agente para Localização de Bugs em Nível de Arquivo

Declaração do Problema

A localização de bugs permanece um gargalo crítico na manutenção de software, particularmente para tarefas downstream como análise de causa raiz, triagem e Reparo Automático de Programas (APR). Embora os sistemas de reparo baseados em Modelos de Linguagem de Grande Escala (LLM) tenham avançado, sua eficácia é fundamentalmente limitada pela qualidade da localização em nível de arquivo. Em pipelines hierárquicos, a seleção imprecisa de arquivos propaga erros para etapas subsequentes (por exemplo, localização em nível de declaração ou geração de patches), frequentemente causando falhas no reparo.

As abordagens existentes de Geração Aumentada por Recuperação (RAG) para código frequentemente dependem de recuperação estática e fragmentação de texto ingênua, falhando em capturar as intricacidades estruturais do código ou o raciocínio necessário para identificar arquivos defeituosos com precisão. Além disso, métodos puramente baseados em embeddings carecem das capacidades de raciocínio para avaliar a relevância funcional, enquanto as abordagens baseadas em agentes existentes frequentemente empregam travessia de grafos ilimitada, incorrendo em custos computacionais proibitivos.

Metodologia: Framework BLAgent

Os autores propõem o BLAgent, um novo framework RAG baseado em agentes projetado para localização de bugs em nível de arquivo. O sistema integra três componentes principais para equilibrar precisão e custo:

1. Codificação de Repositório com Fragmentação Baseada em AST Aumentada por Caminhos

Em vez de divisão de texto ingênua, o BLAgent emprega o CodeSplitter para segmentar arquivos de origem com base em limites da Árvore de Sintaxe Abstrata (AST) (por exemplo, funções, classes, blocos lógicos). Isso garante a preservação semântica, prevenindo a fragmentação de construtos de código.

• Aumento de Caminhos: Cada fragmento de código é precedido por seu caminho de arquivo relativo (por exemplo, src/utils/math.py). Isso cria um canal de alinhamento direto entre sinais semelhantes a caminhos em relatórios de bugs (por exemplo, rastreamentos de pilha, referências a módulos) e os fragmentos de código, abordando incompatibilidades de vocabulário entre descrições em linguagem natural e identificadores de código.

2. Transformação de Consulta de Dupla Perspectiva

Para fechar a lacuna semântica entre relatórios de bugs e código, o BLAgent decompõe cada relatório de bug em duas consultas complementares usando LLMs:

• Transformação Estrutural ($T_0$): Foca em aspectos estáticos e sintáticos, extraindo identificadores, módulos, nomes de funções e contexto de rastreamento de pilha.
• Transformação Comportamental ($T_1$): Foca no comportamento em tempo de execução, capturando sintomas observados, saídas esperadas versus reais e condições de acionamento.
  Ambas as consultas são usadas independentemente para recuperar arquivos candidatos de um banco de dados vetorial. Os conjuntos de candidatos resultantes são mesclados (desduplicados) para formar um pool compacto (limitado a 15 arquivos) para o agente.

3. Rerank Agente em Duas Fases

O BLAgent realiza raciocínio limitado sobre o conjunto de candidatos recuperado através de um processo de duas fases:

• Fase 1: Pontuação do Agente Baseada em Esqueleto (SAS): Um agente baseado em ReAct inspeciona iterativamente os esqueletos estruturais (classes, assinaturas de funções, docstrings) dos arquivos candidatos. Ele atribui pontuações de relevância (0–10) com base em hipóteses sobre quais arquivos requerem modificação. Esta fase opera eficientemente dentro dos limites de contexto evitando o processamento completo do código-fonte.
• Fase 2: Rerank Ancorado em Evidências (EAR): Para resolver empates e verificar a relevância em nível de implementação, os top-$M$ (definido como 5) arquivos da Fase 1 passam por uma inferência de tiro único. O contexto é podado para incluir apenas a estrutura global do arquivo e a implementação completa dos métodos destacados pelo recuperador. O LLM realiza uma classificação final com base nessa evidência fundamentada.

Principais Contribuições

1. RAG Agente para Localização: O BLAgent introduz um framework de raciocínio limitado que integra recuperação com raciocínio iterativo e aumentado por ferramentas, evitando os altos custos da travessia de grafos ilimitada.
2. Fragmentação Consciente de AST e Aumentada por Caminhos: O artigo demonstra que preservar limites sintáticos e aumentar fragmentos com caminhos de arquivo melhora significativamente o recall de recuperação em comparação com fragmentação baseada em texto padrão ou consciente de código.
3. Consulta de Dupla Perspectiva: O framework mostra que decompor relatórios de bugs em consultas estruturais e comportamentais fornece sinais de recuperação complementares, aprimorando o recall do pool inicial de candidatos.
4. Design Eficiente em Custos: Ao limitar o raciocínio a um conjunto de candidatos compacto e filtrado por recuperação e ao usar esqueletos de código, o BLAgent alcança alta precisão com consumo de tokens e custos de API significativamente menores em comparação com baselines baseadas em grafos.

Resultados Experimentais

O framework foi avaliado no conjunto de dados SWE-bench-Lite (300 bugs do mundo real em Python).

• Precisão de Localização:
  • Usando um modelo de código aberto (GPT-OSS-120B), o BLAgent alcançou uma precisão Top-1 de 78,6% e um MRR de 0,851.
  • Usando um modelo de código fechado (Claude-4.6-Sonnet), alcançou uma precisão Top-1 de 86,7% e um MRR de 0,900.
  • Esses resultados superam as baselines mais avançadas, incluindo LocAgent (uma abordagem baseada em grafos) e Agentless (um framework APR com localização), frequentemente por margens significativas.
• Eficiência de Custos: O BLAgent é mais de 18× mais barato que a baseline mais forte (LocAgent) ao usar o mesmo modelo de código fechado, completando todas as 300 instâncias por aproximadamente $27 no total, enquanto o LocAgent esgotou um orçamento de $300 após apenas 182 instâncias.
• Impacto no Reparo Automático de Programas (APR): Quando integrado ao framework APR Agentless, o BLAgent melhorou a taxa de resolução de problemas ponta a ponta em mais de 20% (de 27,6% para 34,0% com votação majoritária).
• Generalizabilidade: A arquitetura estendeu-se com sucesso para localização em nível de função com uma única modificação de prompt, alcançando resultados state-of-the-art sem alterações estruturais no pipeline.

Significado e Alegações

O artigo afirma que o BLAgent estabelece um novo estado da arte para localização de bugs em nível de arquivo ao combinar efetivamente recuperação e raciocínio baseado em agentes. Seu significado principal reside em demonstrar que:

1. Localização é um fator decisivo: A localização precisa em nível de arquivo traduz-se diretamente em ganhos mensuráveis no sucesso do reparo automatizado ponta a ponta.
2. Raciocínio limitado é superior à travessia ilimitada: O raciocínio baseado em agentes restrito a um conjunto de candidatos de alta qualidade e filtrado por recuperação supera abordagens complexas baseadas em grafos tanto em precisão quanto em custo.
3. A qualidade da recuperação limita o desempenho: A eficácia do pipeline baseado em agentes é fundamentalmente limitada pelo recall do recuperador denso inicial; portanto, melhorias na fragmentação e na transformação de consultas são críticas.
4. Escalabilidade custo-efetiva: A localização de alto desempenho pode ser alcançada usando modelos de código aberto e gerenciamento eficiente de contexto (esqueletos), tornando a localização avançada de bugs acessível sem os custos proibitivos de modelos proprietários ou travessia de grafos.

Os autores concluem que, embora a localização precisa seja necessária, ela não é suficiente para um reparo perfeito, pois falhas downstream (localização em nível de função/linha e geração de patches) permanecem gargalos significativos. No entanto, o BLAgent fornece uma base robusta e eficiente em custos para abordar o desafio de localização a montante na manutenção de software baseada em LLM.