🤖 AI

Improved Bug Localization with AI Agents Leveraging Hypothesis and Dynamic Cognition

本文提出了名为 CogniGent 的新型智能体技术，通过融合因果推理、调用图根因分析及假设测试来模拟开发者调试思维，显著提升了软件缺陷定位的准确率，在多项指标上均优于现有传统及大模型方法。

原作者： Asif Mohammed Samir, Mohammad Masudur Rahman

发布于 2026-02-17

📖 1 分钟阅读☕ 轻松阅读

原作者： Asif Mohammed Samir, Mohammad Masudur Rahman

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文介绍了一种名为 CogniGent 的新工具，它利用人工智能（AI）代理来帮程序员更快地找到并修复软件中的“坏蛋”（Bug）。

为了让你更容易理解，我们可以把找 Bug想象成在巨大的图书馆里找一本被涂改过的书，或者侦探破案的过程。

1. 以前的方法：像“盲人摸象”

传统的找 Bug 方法主要有两种，但都有点笨：

关键词匹配（IR 方法）： 就像你拿着 Bug 报告里的几个词（比如“崩溃”、“红色”），去图书馆里找包含这些词的书。但这有个大问题：Bug 报告里写的是“系统崩溃了”，而代码里写的是“内存溢出”，词不一样，传统的搜索就找不到，就像鸡同鸭讲。
孤立分析： 以前的 AI 只看单行代码或单个文件，就像只盯着拼图的一小块，却忽略了这块拼图和旁边拼图的连接关系。很多 Bug 是因为 A 文件调用了 B 文件，B 文件出错导致 A 文件也跟着错，只看局部是发现不了的。

2. 以前的 AI 助手：像“只会背书的实习生”

最近的大语言模型（LLM）很聪明，但它们也有缺点：

缺乏推理能力： 它们像是一个只会背书的实习生，看到 Bug 报告就瞎猜，不知道为什么要去查某段代码。
记性不好（上下文限制）： 如果代码太长，它们就记不住前因后果，容易把无关的信息混进来，导致“脑子乱套”。
盲目探索： 它们不知道从哪里开始查，可能会在无关紧要的地方浪费时间。

3. CogniGent 是什么？像“经验丰富的老侦探”

CogniGent 不一样，它模仿了人类资深程序员调试代码时的思考过程，我们称之为“动态认知调试”。它不是一个人，而是一个由 6 个 AI 特工组成的侦探小队：

🕵️‍♂️ 重构特工（整理线索）： 先把乱七八糟的 Bug 报告（比如用户抱怨“系统卡死了”）整理成清晰的案情描述，去掉废话。
📚 检索特工（初步排查）： 去图书馆（代码库）里根据整理好的线索，先找出几本最可疑的书（代码片段）。
🚫 过滤特工（去伪存真）： 把那些看起来像嫌疑犯但其实无辜的人（不相关的代码）先剔除掉，只留下最可疑的 10 个。
💡 假设特工（提出猜想）： 这是核心！它像侦探一样问：“如果这里是错的，会发生什么？”它会提出几个假设（Hypothesis），比如：“是不是因为那个‘删除’函数没执行？”
🔍 调查特工（顺藤摸瓜）： 这是最厉害的一步。它不会只看表面，而是像侦探顺着线索往下查。
- 它发明了一个叫 Click2Cause 的算法。想象一下，你在代码里看到 deleteSnapshot() 这个函数，你会按 Ctrl+Click 跳进去看它干了什么。这个 AI 也会这样做！它会深度优先地顺着函数调用链（Call Graph）一直查下去，看看是谁调用了谁，谁又调用了谁，直到找到真正的“罪魁祸首”。
- 它还会用草稿纸（Scratchpad） 来记笔记，防止在查太深的时候把自己搞晕，只保留有用的信息。
👁️ 观察特工（最终裁决）： 最后，它像一个独立的法官，审查所有调查特工找到的证据，确认哪个假设最靠谱，然后给出一个嫌疑排名。

4. 它的超能力：为什么它这么强？

因果推理（Causal Reasoning）： 它不只是找“长得像”的词，而是找“因果关系”。比如，它知道因为“回滚操作”失败了，所以“清理快照”的逻辑被跳过了。这种逻辑推理是以前工具做不到的。
动态上下文管理： 它知道什么时候该查深一点，什么时候该停下来，不会在无关的代码里浪费精力。
模拟人类思维： 它不是死板地执行命令，而是像人一样：提出假设 -> 寻找证据 -> 验证假设 -> 推翻或确认。

5. 效果如何？

研究人员在 591 个真实的 Bug 报告上测试了它：

排名飙升： 以前传统方法可能要把 Bug 排在第 87 位才能找到，而 CogniGent 直接把它排到了第 1 位！
准确率大增： 在文档级别和方法级别的定位上，它的准确率比现有的最好技术提高了 23% 到 53%。
多组件 Bug 也能搞定： 即使一个 Bug 涉及好几个文件互相牵连，它也能理清关系，找到源头。

总结

简单来说，CogniGent 就是一个拥有“侦探思维”的 AI 团队。它不再只是机械地搜索关键词，而是像人类专家一样，通过提出假设、顺着逻辑链条深入调查、并在草稿纸上理清思路，从而精准地揪出软件中隐藏最深的 Bug。这不仅能帮程序员省下大量时间，还能让软件更安全、更稳定。

这篇论文提出了一种名为 CogniGent 的新型基于 AI 代理（Agentic AI）的软件缺陷定位技术。该技术旨在解决传统缺陷定位方法在因果推理、依赖关系分析和上下文管理方面的局限性，通过模拟人类开发者的“动态认知调试”（Dynamic Cognitive Debugging）过程，显著提升了定位准确率。

以下是对该论文的详细技术总结：

1. 研究背景与问题 (Problem)

软件缺陷每年给技术提供商造成数十亿美元的损失，开发者约 50% 的时间用于调试。现有的缺陷定位方法存在以下主要局限：

孤立分析组件： 传统方法（如基于频谱或信息检索 IR 的方法）通常孤立地分析代码组件（如方法或文档）的嫌疑度，忽略了组件间的依赖关系和错误传播路径。
缺乏因果推理： 现有方法（包括基于 LLM 的代理方法）往往依赖文本相似度或假设报告中直接包含代码实体，缺乏对“症状”到“根本原因”的因果推理能力，容易忽略关键依赖或探索无关路径。
上下文管理失效： 随着代码探索的深入，上下文长度增加会导致 LLM 性能下降（“迷失在中间”现象），且无关信息会进一步恶化推理效果。

2. 方法论 (Methodology)

CogniGent 采用多智能体协作的工作流，模拟人类调试过程，核心包含以下模块：

2.1 核心架构：多智能体工作流

系统包含六个角色特定的智能体，基于 LangGraph 构建：

重构代理 (Restructuring Agent)： 清理和重组缺陷报告，去除噪声。
检索代理 (Retrieval Agent)： 从索引中检索潜在的候选代码段。
过滤代理 (Filtering Agent)： 利用 LLM 推理过滤掉不相关的候选项。
假设代理 (Hypothesis Agent)： 基于缺陷报告和候选代码生成多个关于根本原因的假设。
调查代理 (Investigation Agent)： 执行假设测试，动态探索代码依赖。
观察员代理 (Observer Agent)： 独立评估探索结果和证据，对最终排名进行验证。

2.2 关键技术组件

基于图的代码索引： 使用 Neo4j 构建异构图，将代码段（方法、构造函数）作为节点，调用关系（invoke, inherit）作为边，支持基于图的结构化检索。
动态认知调试 (Dynamic Cognitive Debugging, DCD)：
- 假设生成： 模拟人类专家，根据症状提出多个假设并赋予置信度。
- Click2Cause 算法： 这是核心的代码导航算法。不同于传统的广度优先搜索（BFS），它采用深度优先搜索 (DFS) 策略，模拟开发者在 IDE 中"Ctrl+ 点击”跳转的行为。
- 上下文管理： 采用Scratchpad（草稿纸） 机制。每个探索代理拥有独立的推理上下文，专注于当前路径，避免全局上下文过载。当某条路径置信度下降时，算法会回溯并剪枝。
因果推理： 智能体不仅查看代码文本，还分析调用链和错误传播路径，以确定根本原因。

3. 主要贡献 (Key Contributions)

动态认知调试的代理模拟： 首次提出通过 AI 代理模拟人类的假设生成、证据收集和假设验证过程，实现了从症状到代码的因果推理。
CogniGent 工作流与 Click2Cause 算法： 提出了一套完整的代理工作流，结合基于图的深度优先导航算法和基于草稿纸的上下文管理，有效解决了长上下文和依赖分析难题。
广泛的评估与复现包： 在包含 591 个真实缺陷报告的 curated 数据集上进行了全面评估，并提供了包含原型、数据集和配置细节的复现包。

4. 实验结果 (Results)

研究在 15 个 Java 项目的 132 个版本上，使用 591 个缺陷报告进行了评估。对比了 6 种基线方法（包括传统 IR 方法和 3 种基于 LLM 的代理方法）。

性能提升：
- 文档级 (Document Level)： 平均精度均值 (MAP) 提升了 23.33% - 38.57%；平均倒数排名 (MRR) 提升了 25.14% - 53.74%。
- 方法级 (Method Level)： 同样取得了显著的性能提升，证明了其在细粒度定位上的有效性。
- HIT@K： 在 Top-1 和 Top-5 的命中率上均有显著提升，例如 Devstral 变体在文档级 Top-1 命中率达到 37.4%。
多组件缺陷处理： 对于跨越多个文档或方法的复杂缺陷，CogniGent 的表现优于基线，特别是在处理错误传播路径时。
消融实验： 证明了“假设生成”和“调查（假设测试）”模块对性能贡献最大（分别导致 MAP 下降约 11.57% 和 19.02%），表明动态认知调试是核心驱动力。
统计显著性： 通过 Wilcoxon 符号秩检验和 Cliff's $\delta$ 效应量分析，确认了 CogniGent 优于 BLIZZARD 和 LocAgent 等最先进基线。

5. 意义与影响 (Significance)

超越传统 IR 与纯 LLM 方法： 证明了结合结构化图数据、因果推理和动态上下文管理的混合方法，比单纯依赖文本相似度或静态 LLM 推理更有效。
模拟人类认知： 将人类调试中的“假设 - 验证”循环引入自动化系统，为软件维护工具的设计提供了新的范式。
解决复杂缺陷： 特别擅长处理那些没有直接代码引用、依赖关系复杂或涉及错误传播的缺陷报告。
实际价值： 显著减少开发者定位缺陷的时间，提高软件维护效率，具有极高的工业应用潜力。

总结：
CogniGent 通过引入“动态认知调试”理念，利用多智能体协作、图遍历导航（Click2Cause）和独立的上下文管理，成功克服了现有缺陷定位技术在依赖分析和因果推理上的短板。实验结果表明，该方法在文档和方法两个粒度上均显著优于现有的传统和基于 LLM 的最先进方法，为自动化软件调试领域树立了新的标杆。