XAgent：执行引导的代理 AI，用于有效本地化和解决 GitHub 问题

Agentic AI 启用了利用 大语言模型 (LLM) 自主解决存储库级 GitHub 问题的功能。然而，由于依赖于有限的问题静态描述，现有的代理方法存在定位不正确和验证不完整的问题。仅仅依赖此信息可能会使 LLM 推理偏向于问题描述的狭窄范围，从而导致补丁不完整，无法解决根本问题。在本文中，我们提出了 XAgent，这是一个执行引导的代理框架，它分析动态行为和附加程序上下文以定位和验证问题。 SWE-bench-lite 数据集上的实验结果表明，XAgent 优于其他现有方法，在保持成本效率的同时，实现了 62.0% 的解析率和 72.8% 的函数定位精度。我们的分析进一步表明，XAgent 成功解决了现有顶级基线无法解决的 7 个其他问题。这项工作强调了从静态、面向描述的补丁生成到动态执行引导的问题解决的转变，为基于 LLM 的 编码智能体 实现更强大和通用的软件维护提供了新的机会。