Resumo Técnico: DUALVIEW – Raciocínio Estrutural Dual-Modal para Resolução de Problemas Agênticos

1. Definição do Problema

Avanços recentes em agentes baseados em Large Language Models (LLMs) melhoraram a reparação automática de programas (APR) ao permitir a exploração iterativa de repositórios. No entanto, as abordagens existentes dependem predominantemente de uma navegação de código sequencial e baseada em texto. Esta interface centrada no texto impõe duas limitações fundamentais na resolução de problemas em repositórios de grande escala e longo horizonte:

1. Observações Fragmentadas: Os agentes exploram repositórios através de ferramentas como grep, cat e comandos de shell. Cada interação revela apenas um pequeno fragmento da base de código, forçando o agente a reconstruir mentalmente as relações estruturais (ex: acoplamento de módulos, cadeias de chamada) a partir de evidências textuais dispersas. Isso leva ao "desvio de exploração" (exploration drift) e a uma localização incompleta à medida que o espaço de busca cresce.
2. Linearização de Estruturas de Grafo: Embora as dependências do repositório sejam inerentemente estruturadas em grafos, os sistemas existentes serializam essas relações (ex: Árvores de Sintaxe Abstrata, grafos de chamada) em descrições de texto linear ou listas de arestas antes de apresentá-las ao agente. Essa linearização obscurece a topologia, tornando caminhos de múltiplos saltos, estruturas de ramificação e regiões densas de dependência difíceis de perceber e raciocinar.

O desafio central é o descompasso entre a natureza estruturada em grafos dos repositórios e a interação centrada em texto dos agentes atuais, o que dificulta a exploração eficiente de longo horizonte e a análise de dependências.

2. Metodologia: Framework DUALVIEW

Os autores propõem o DUALVIEW, um framework de andaime estrutural dual-modal que equipa sistemas agênticos com visões estruturais de múltiplos grãos de um repositório. Em vez de reconstruir a estrutura a partir de texto, o DUALVIEW externaliza as relações do repositório como representações de grafos visuais e textuais sincronizadas.

A. Visões Estruturais de Múltiplos Grãos

O DUALVIEW decompõe a estrutura do repositório em quatro visões de grafo complementares, organizadas como uma hierarquia de exploração de grosso a fino:

1. Gráfico de Acoplamento de Módulos (MCG): Uma visão de todo o repositório que captura o acoplamento entre subsistemas e módulos. Ajuda os agentes a se orientarem dentro da base de código e a identificarem subsistemas candidatos responsáveis por um problema.
2. Gráfico de Chamada de Funções (FCG): Uma visão cross-função que expõe caminhos de propagação de chamador-chamado. Permite que os agentes rastreiem o comportamento entre arquivos e funções para entender limites de impacto.
3. Gráfico de Hierarquia de Classes (CHG): Uma visão cross-classe que detalha relações de herança e sobrescrita. Preenche a lacuna entre pistas de API abstratas (interfaces/classes base) e implementações concretas.
4. Gráfico de Dependência de Programa (PDG): Uma visão intra-função que captura dependências de dados e controle ao nível de instrução. Auxilia na identificação de fluxos de valores específicos ou decisões de controle que causam defeitos.

Estas visões são expostas via uma interface de consulta parametrizada $V(t, s, \theta)$, onde $t$ é o tipo de visão, $s$ é a entidade semente e $\theta$ controla o escopo (raio de salto, direção, orçamento de nós).

B. Observações Estruturais Dual-Modais

Para cada consulta de grafo, o DUALVIEW retorna uma resposta sincronizada contendo:

• Representação Visual: Um diagrama de nós e links (renderizado via Graphviz) que preserva a topologia, conectividade e padrões de dependência. Enfatiza a organização global, padrões de fan-in/fan-out e alternativas estruturais sem sobrecarregar a visão com detalhes semânticos completos.
• Representação Textual: Uma serialização estruturada do mesmo recorte do grafo, fornecendo o embasamento semântico preciso (caminhos de arquivos, números de linhas, identidades de entidades e semântica de relação) necessário para inspeção ao nível de código-fonte.

C. Raciocínio Estrutural Adaptativo

O DUALVIEW integra-se em loops de agentes existentes como uma camada de raciocínio adaptativo. O agente avalia seu estado de raciocínio atual para decidir quando invocar visões estruturais:

• Orientação de Subsistema: Utiliza MCG quando a organização modular não está clara.
• Propagação de Função: Utiliza FCG quando o papel upstream/downstream de uma função é ambíguo.
• Resolução Hierárquica: Utiliza CHG ao lidar com classes abstratas ou interfaces.
• Dependências Locais: Utiliza PDG ao restringir a uma implementação específica para analisar fluxo de controle/dados.

Isso permite que os agentes alternem naturalmente entre o raciocínio estrutural (navegando no grafo) e a inspeção de nível de código (editando o código).

3. Principais Contribuições

1. Andaime Estrutural Dual-Modal: A proposta do DUALVIEW, que externaliza a estrutura do repositório em representações de grafos visuais e textuais sincronizadas, permitindo que os agentes raciocinem tanto sobre a organização do nível de repositório quanto sobre dependências finas.
2. Avaliação Abrangente: Avaliação em múltiplos frameworks de agentes (mini-SWE-agent, OpenCode), modelos de fundação (Claude 4.5 Sonnet, Kimi K2.5, Gemini 3 Flash) e benchmarks (SWE-bench Pro, SWE-bench Verified).
3. Implementação Open-Source: Lançamento da implementação do DUALVIEW, empacotada como ferramentas reutilizáveis e serviços de Protocolo de Contexto de Modelo (MCP) para facilitar pesquisas futuras.

4. Resultados Experimentais

Os autores avaliaram o DUALVIEW no SWE-bench Pro (731 instâncias) e no SWE-bench Verified (500 instâncias).

• Eficácia Geral: O DUALVIEW melhorou consistentemente o desempenho de resolução de problemas em diferentes arquiteturas de agentes e famílias de modelos.
  • No SWE-bench Pro, usando OpenCode com Kimi K2.5, o DUALVIEW resolveu 388 instâncias (53,1%), um aumento de 46 instâncias (+13,5%) sobre o baseline (342 instâncias).
  • Usando mini-SWE-agent com Claude 4.5 Sonnet, resolveu 375 instâncias (51,3%), acima de 355 (+5,6%).
  • No SWE-bench Verified, o DUALVIEW integrado ao mini-SWE-agent e Gemini 3 Flash alcançou uma taxa de resolução de 79,8% (399/500), superando o baseline (75,8%) enquanto reduzia o custo médio por instância de \0,36 para \0,18.
• Eficiência de Custo: Apesar do overhead de gerar grafos visuais, o DUALVIEW reduziu o número médio de passos do LLM e o custo total de inferência por instância. Isso é atribuído à prevenção de explorações inválidas e ao acúmulo desnecessário de contexto.
• Estudos de Ablação:
  • Dual-Modal vs. Apenas Texto: Representações de grafos visuais sozinhas superaram as serializações textuais de grafos (78 vs. 71 instâncias resolvidas). A combinação de ambas as modalidades yielded o melhor desempenho (81 resolvidas), confirmando que a topologia visual auxilia na navegação enquanto o detalhe textual permite edição precisa.
  • Visões de Múltiplos Grãos: Cada visão de grafo individual (MCG, FCG, CHG, PDG) melhorou o desempenho em relação ao baseline. A combinação de todas as visões superou consistentemente qualquer variante de visão única, demonstrando a necessidade de informação estrutural em diferentes granularidades.
• Comparação com Baselines: O DUALVIEW superou os agentes centrados em texto existentes (SWE-agent, Live-SWE-agent) e outras abordagens baseadas em grafos (RepoGraph, CodeGraph) que dependem da serialização textual de grafos.

5. Significância e Alegações

O artigo afirma que o DUALVIEW demonstra que o raciocínio estrutural dual-modal serve como um aprimoramento geral para a resolução de problemas agênticos, em vez de uma otimização específica de um modelo.

• Mudança de Paradigma: O trabalho argumenta por uma mudança da exploração centrada em texto para o raciocínio estrutural visual. Ele postula que os grafos de repositório devem servir como artefatos de raciocínio (estruturas diretamente observáveis) em vez de apenas artefatos de recuperação (texto serializado).
• Mitigação de Limitações: Ao tornar a conectividade e as relações de múltiplos saltos imediatamente perceptíveis, o DUALVIEW mitiga o "desvio de exploração" causado por observações textuais fragmentadas e pela dificuldade de perceber topologias complexas em texto linear.
• Complementaridade: Os resultados sugerem que as modalidades visual e textual são complementares: a modalidade visual fornece o "mapa" (topologia e estrutura) para navegação eficiente, enquanto a modalidade textual fornece as "coordenadas" (caminhos de arquivos e números de linhas) para ação precisa.

Os autores concluem que expor a estrutura do repositório através de representações de grafos visuais e textuais complementares melhora significativamente a capacidade dos agentes de resolver problemas de longo horizonte em bases de código complexas.