SWE-AGILE：高效管理动态推理上下文的软件智能体框架

摘要

自主软件工程（SWE）中既往代表性的ReAct风格方法通常缺乏深度分析和处理复杂边界情形所需的显式System-2推理。尽管近期的推理模型展示了扩展思维链（Chain-of-Thought，CoT）的潜力，将其应用于多轮SWE任务却带来一个根本困境：保留完整推理历史会导致上下文爆炸与“Lost-in-the-Middle”退化，而丢弃它又会迫使智能体在每一步冗余地重新推理。为应对这些挑战，我们提出SWE-AGILE，一个旨在弥合推理深度、效率与上下文约束之间鸿沟的新型软件智能体框架。SWE-AGILE引入动态推理上下文（Dynamic Reasoning Context）策略：维护一个由详细推理构成的“滑动窗口”以保证即时连贯、避免冗余的重复分析，同时将历史推理内容压缩为简洁的Reasoning Digests。实验上，SWE-AGILE仅使用2.2k条轨迹和896个任务，就在SWE-Bench-Verified上为7B-8B模型树立了新标准。代码发布于 https://github.com/KDEGroup/SWE-AGILE。

SWE-AGILE：高效管理动态推理上下文的软件智能体框架：论文配图 — 图 1：多轮 SWE 任务中上下文增长模式的比较：（1）浅层思维保持较低的上下文成本，但缺乏推理深度。 (2) 交错思维能够实现深度 System-2 推理，但会受到快速、线性上下文增长（陡峭的上下文条）的影响。（3）SWE-AGILE实现可持续的“锯齿”增长模式。在滑动推理窗口内，智能体进行深度推理（类似于交错思维的陡坡）；然而，随着步骤的进展，历史思想被压缩成简洁的推理摘要。