通过闭环内存优化增强软件工程

大语言模型 (LLM) 启用了强大的软件工程 (SE) 代理，能够导航复杂的代码库并解决实际问题。然而，这些智能体从根本上来说仍然是偶发的：它们无法保留、提炼和重用跨任务的经验，从头开始重复重建上下文并重现类似的错误。即使有内存支持，它们也无法弥补缺乏原则性的、与任务无关的 \textit{内存实用程序} 的问题，这使得它们难以严格评估或跨代理和设置进行概括。为了解决这些限制，我们引入了 \ours，一个用于 SE 代理中记忆增强的闭环框架。我们将内存效用建立在\textit{已验证的下游影响}中，将效用建立为与任务无关的\textbf{评估基准}和无注释的\textbf{优化信号}。通过对 \textit{单集} 和 \textit{跨集} 记忆增强的互补评估，结果表明，我们的跨设置持续改进 SE 代理，在成功率方面实现高达 $\uparrow5.25\%$ 的绝对增益，在解决效率方面实现 $\uparrow4.63\%$ 的绝对增益，同时将计算成本大幅降低 $\geq9.79\%$。我们的项目页面：\href{https://xhguo7.github.io/MemOp/}{https://xhguo7.github.io/MemOp/}。