DeepDiscovery：用于任务级存储库理解的位置推断框架

大语言模型 在软件工程 (SE) 任务上表现出了强大的性能，但理解大型工业存储库仍然具有挑战性。现有方法通常仅检索本地片段，而无法恢复复杂存储库级任务所需的更广泛的任务相关上下文。我们推出 DeepDiscovery，一种用于大型工业代码库的任务级存储库理解方法。 DeepDiscovery 使用两阶段 \textit{Location--Inference} 框架来本地化高置信度任务锚点，并在预算限制下通过多关系存储库结构恢复更广泛的任务相关上下文。通过受控方法级评估、组织内部工业存储库理解场景以及 SWE-bench Verified 上的端到端评估，DeepDiscovery 持续改进与任务相关的文件恢复和下游 SE 性能。在 27 个中等规模任务中，DeepDiscovery 在五个代表性基线中实现了最佳文件恢复质量，无需离线预处理。在生产规模集成代码库生态系统的组织内部工业任务上，包括 27 个中型任务和 40 个大型任务，DeepDiscovery 提高了多个 AI 编码系统的完全召回率，大型子项目的绝对增益范围为 1.6 至 9.2 个百分点，中型子项目的绝对增益范围为 2.5 至 7.4 个百分点。在 SWE-bench Verified 上的受控端到端评估中，配备 DeepDiscovery 的系统实现了 78.6% 的解决率，比相应的基线高出 8.2 个百分点。这些结果表明，更强的任务级存储库理解可以提高编码代理在复杂 SE 任务上的性能。