AdaRepair-Mem：用于存储库级程序修复的自适应体验编排

最近的内存增强存储库级程序修复方法重用历史修复经验来改进基于 LLM 的问题解决。然而，我们的分析揭示了现有存储库级内存检索的三个局限性。首先，情景记忆在存储库之间高度不平衡，导致资源匮乏的存储库几乎得不到有效的支持。其次，更多的内存并不单调地导致更高的修复成功率，这表明相关性、质量和冗余比原始内存量更重要。第三，内存积累是阶段性错位的：存储库可能包含许多复制经验，但很少有补丁或细化经验。为了解决这些问题，我们提出了一种用于存储库级程序修复的自适应经验检索框架。我们的框架引入了覆盖感知检索，当同一存储库内存不足时，它会回退到跨存储库或基于修复类型的内存；质量意识选择，根据相关性、历史效用、特异性和冗余对记忆进行排序；阶段感知路由，分离和检索内存以进行复制、本地化、补丁生成、补丁细化和验证。在 SWE-Bench-Lite 和 SWE-Bench-Verified 上进行评估，所提出的框架提高了未覆盖存储库的修复性能，减少了噪声内存检索，并更好地支持未能修复的补丁细化。我们的结果表明，记忆增强修复的关键不仅仅是积累更多经验，而是为正确的修复环境检索正确的经验。