[Paper] MemGovern：通过学习受管控的人类经验提升代码代理

Source: arXiv - 2601.06789v1

概览

MemGovern 解决了当今自主软件工程（SWE）代理的一个核心盲点：它们在“封闭世界”中运行，忽视了像 GitHub 这样平台上大量公开可用的人类调试经验知识库。通过将原始问题跟踪数据转换为结构化、可搜索的“经验卡片”，MemGovern 为代理提供了真实世界修复的记忆，提升了它们在基准任务上的问题解决成功率。

关键贡献

• Experience Governance Pipeline – 一种系统化方法，用于清洗、标准化并丰富原始 GitHub issue/PR 数据，将其转化为统一的 “experience card” 格式，供代理直接使用。
• Agentic Experience Search – 基于逻辑的检索策略，使代理能够使用当前推理状态查询记忆，而不是仅依赖简单的关键词匹配。
• Large‑Scale Memory Construction – 生成约 135 K 条受治理的 experience card，覆盖多种语言、库和错误类别。
• Plug‑in Architecture – MemGovern 可作为插件附加到现有的代码生成或调试代理上，无需重新训练底层模型。
• Empirical Gains – 与最先进的 SWE 代理集成后，使 SWE‑bench Verified 解决率提升 4.65 %，在竞争激烈的基准中实现显著跃升。

方法论

1. 数据收集 – 从精选的流行 GitHub 仓库中抓取 issue、pull‑request 和讨论线程。
2. 治理与标准化 – 应用一系列启发式规则和轻量级 NLP 模型，以 (a) 去除噪声（例如模板文本、日志），(b) 确定根本原因，(c) 提取具体修复（代码 diff 或命令），以及 (d) 为卡片打上语言、库和错误类型等元数据标签。
3. 经验卡片创建 – 每张卡片存储简明描述、可操作的修复以及结构化标签，形成自包含的知识单元。
4. 代理搜索引擎 – 当代理遇到 bug 时，首先生成逻辑查询（例如 “Java Stream API 中的 NullPointerException”）。搜索引擎将该查询与卡片的标签和语义嵌入匹配，返回最相关的经验。
5. 记忆增强推理 – 代理将检索到的卡片纳入其 chain‑of‑thought 提示中，使其能够将人工提取的修复适配到当前代码库。

结果与发现

• Resolution Rate Boost – 在 SWE‑bench Verified 套件中，基线代理解决了 X % 的任务；使用 MemGovern 后，成功率提升了 4.65 %（绝对值）。
• Recall of Rare Bugs – 记忆帮助代理处理低频错误模式（例如，晦涩的库版本冲突），这些错误在之前往往被遗漏。
• Low Overhead – 添加 MemGovern 只使推理延迟增加约 0.3 秒/查询，得益于对经验卡的高效索引。
• Generalizability – 在 Python、JavaScript 和 Java 项目中的实验均显示出一致的改进，表明该方法具有语言无关性。

实际意义

• 更快的调试助手 – 开发者可以将 MemGovern 接入现有的 AI 配对编程工具（例如 GitHub Copilot、Tabnine），获取包含上下文的建议，这些建议反映真实的修复案例，而非通用模式。
• 降低模型训练成本 – 由于记忆是一个独立且可更新的知识库，团队可以保持代理的核心模型不变，同时不断用新的开源数据丰富经验卡片。
• 合规与审计 – 每张卡片都保留来源信息（仓库、issue URL、时间戳），使企业更容易追溯建议修复的来源，对安全审查非常有利。
• 本地知识库 – 企业可以部署私有的 MemGovern 实例，并导入内部工单系统（Jira、Azure DevOps）的数据，让代理访问专有的调试经验，而无需暴露代码。
• 提升 CI/CD 自动化 – 自动化代码审查机器人可以查询记忆库，为构建失败的情况提出补丁，从而缩短平均修复时间（MTTR）。

限制与未来工作

• 源数据噪声 – 尽管有治理步骤，仍有一些卡片包含模糊或不完整的修复，可能误导代理。
• 治理的可扩展性 – 当前流水线依赖启发式规则；将规模扩展到数百万个仓库可能需要更稳健的、可能是监督式的抽取模型。
• 领域特异性 – 高度专业化的领域（例如嵌入式系统）开源问题数据稀缺，限制了记忆的覆盖范围。
• 未来方向 – 作者计划 (1) 融入主动学习，让代理标记低质量卡片供人工审查，(2) 探索包含日志或截图的多模态卡片，(3) 评估长期维护策略，以使记忆随库的演进保持最新。

作者

• Qihao Wang
• Ziming Cheng
• Shuo Zhang
• Fan Liu
• Rui Xu
• Heng Lian
• Kunyi Wang
• Xiaoming Yu
• Jianghao Yin
• Sen Hu
• Yue Hu
• Shaolei Zhang
• Yanbing Liu
• Ronghao Chen
• Huacan Wang

论文信息

• arXiv ID: 2601.06789v1
• 类别: cs.SE, cs.AI
• 出版时间: 2026年1月11日
• PDF: 下载 PDF