EXPEREPAIR: Dual-Memory Enhanced LLM-based Repository-Level Program Repair

文章主要内容总结

1. 研究背景与问题
   • 自动程序修复（APR）是软件工程与AI交叉领域的重要挑战，现有基于大语言模型（LLM）的仓库级修复方法存在两大局限：孤立处理问题，未利用历史修复经验；依赖静态提示策略，适应性不足。
   • 现实中软件项目常出现重复bug模式，而现有方法缺乏捕获和利用历史修复数据的机制，导致冗余探索和修复效率低下。
2. 方法核心：EXPEREPAIR框架
   • 双记忆系统：受人类认知的双记忆理论启发，设计情景记忆（存储具体修复案例）和语义记忆（存储抽象修复策略），实现历史经验的积累与复用。
   • 工作流程：
     • 初始阶段：处理种子问题，生成修复轨迹并构建初始记忆。
     • 推理阶段：动态检索情景记忆中的相关案例和语义记忆中的抽象策略，生成上下文感知的动态提示，指导测试生成、补丁生成和验证。
   • 核心模块：
     • 程序修复模块：包含测试代理和补丁代理，