通过 编码智能体 的分层轨迹抽象重用过去的修复

尽管 LLM 驱动的修复代理可以解决复杂的存储库级问题，但它们独立处理每个问题并丢弃从以前的修复中积累的程序知识。我们引入了 STAIR，这是一个框架，可以将历史修复轨迹转换为分层的、可重用的计划，可以适应指导未来的修复。每个过去的轨迹都被转换成一个多级树，范围从细粒度的诊断操作到高级的修复策略，以多个粒度编码经验。当新问题到达时，STAIR 从多个抽象级别中选择相关计划节点，将它们定制为可执行的、特定于问题的计划，并通过提示将它们提供给代理。在 SWE-bench Verified 上，与 Lingxi 集成的 STAIR 使用 MiniMax M2.5 达到 81.2% Pass@1，使用 GPT-5 达到 79.2%。生成的计划还可以跨代理推广：无需更改任何代码，它们就能将结构不同的代理（mini-SWE-agent v2）的 Pass@1 从 75.8% 提升到 81.0%。消融实验进一步表明，混合多个抽象级别优于任何单一级别，并且原始的、未抽象的轨迹传输要差得多。