[논문] 폐쇄‑루프 메모리 최적화로 소프트웨어 엔지니어링 강화
Source: arXiv - 2606.05646v1
개요
대형 언어 모델(LLM)은 복잡한 코드베이스를 탐색하고 실제 문제를 해결할 수 있는 강력한 소프트웨어 엔지니어링(SE) 에이전트를 가능하게 했습니다. 그러나 이러한 에이전트는 근본적으로 에피소드형이며, 작업 간 경험을 유지·정제·재사용하지 못하고 매번 처음부터 컨텍스트를 재구성하며 비슷한 실수를 반복합니다. 메모리 지원이 있더라도 원칙적인, 작업에 구애받지 않는 \textit{memory utility}가 부재한 문제를 해결하지 못해 엄밀한 평가나 에이전트·설정 간 일반화가 어렵습니다. 이러한 한계를 극복하기 위해 우리는 SE 에이전트를 위한 메모리 증강 폐쇄 루프 프레임워크인 \ours 를 제안합니다. \ours 는 \textit{validated downstream impact}에 메모리 유틸리티를 기반을 두어, 이를 작업에 구애받지 않는 \textbf{평가 벤치마크}이자 주석이 필요 없는 \textbf{최적화 신호}로 정의합니다. \textit{single-episode}와 \textit{cross-episode} 메모리 증강에 대한 보완적 평가를 통해, \ours 가 다양한 설정에서 SE 에이전트를 일관되게 개선함을 확인했으며, 성공률에서 최대 $\uparrow5.25%$, 해결 효율에서 $\uparrow4.63%$의 절대적 향상을 달성하고 계산 비용을 $\geq9.79%$ 이상 크게 감소시켰습니다. 프로젝트 페이지: \href{https://xhguo7.github.io/MemOp/}{https://xhguo7.github.io/MemOp/}.
핵심 기여
이 논문은 다음 분야의 연구를 제시합니다:
- cs.SE
- cs.AI
방법론
자세한 방법론은 전체 논문을 참고하십시오.
실용적 함의
이 연구는 cs.SE 분야의 발전에 기여합니다.
저자
- Xuehang Guo
- Zora Zhiruo Wang
- Qingyun Wang
- Graham Neubig
- Xingyao Wang
논문 정보
- arXiv ID: 2606.05646v1
- Categories: cs.SE, cs.AI
- Published: 2026년 6월 4일
- PDF: PDF 다운로드