PhoenixRepair：反思软件智能体的修复策略探索

尽管大语言模型极大推进了自动化问题解决，现有基于智能体的方法存在根本局限：对修复策略的探索不足。这体现在两个方面：对多个潜在编辑位置的探索有限；对每个位置的修复尝试也不足。为应对这些挑战，我们提出PhoenixRepair，一个系统性地探索多个候选编辑位置、并对补丁生成做迭代反思与精炼的多智能体框架，从而扩大修复策略的搜索空间。框架从多位置采样开始（困难任务可选叠加基于图的定位信息），随后经迭代反思与精炼生成更好的补丁，最终一轮由从全部历史尝试蒸馏的洞见引导生成。在SWE-bench-Verified上的实验显示：在DeepSeek-V3.1下，PhoenixRepair相对SWE-agent取得7.8%的最大相对改进；在MiniMax-M2.5下取得76.0% Pass@1的最高解决率；同时取得高于现有方法的故障定位准确率。代码见https://github.com/DeepSoftwareAnalytics/PhoenixRepair。