폐쇄 루프 메모리 최적화를 통한 소프트웨어 엔지니어링 강화

대규모 언어 모델 (LLMs)은 복잡한 코드베이스를 탐색하고 실제 문제를 해결할 수 있는 강력한 소프트웨어 엔지니어링 (SE) 에이전트를 가능하게 했습니다. 그러나 이러한 에이전트들은 근본적으로 에피소드 중심적 (episodic)입니다. 즉, 작업 전반에 걸쳐 경험을 유지, 개선 및 재사용하지 못하며, 문맥을 처음부터 반복적으로 재구성하고 유사한 실수를 되풀이합니다. 메모리 지원이 있더라도, 원칙적이고 작업 불가지론적인 (task-agnostic) extit{메모리 효용성 (memory utility)}의 부재에 대한 해결책을 제공하지 못하며, 이로 인해 에이전트와 환경 전반에 걸쳐 엄격하게 평가하거나 일반화하기 어렵습니다. 이러한 한계를 해결하기 위해, 우리는 SE 에이전트의 메모리 증강을 위한 폐쇄 루프 (closed-loop) 프레임워크인 ext{ extsf{MemOp}}을 소개합니다. ext{ extsf{MemOp}}은 메모리 효용성을 extit{검증된 다운스트림 영향 (validated downstream impact)}에 근거하게 하여, 효용성을 작업 불가지론적인 extbf{평가 벤치마크 (evaluation benchmark)}이자 주석이 필요 없는 extbf{최적화 신호 (optimization signal)}로 확립합니다. extit{단일 에피소드 (single-episode)} 및 extit{교차 에피소드 (cross-episode)} 메모리 증강에 대한 상호 보완적인 평가를 통해, 결과는 ext{ extsf{MemOp}}이 다양한 환경에서 SE 에이전트를 일관되게 개선함을 보여줍니다. 구체적으로 성공률에서 최대 $\uparrow5.25%$, 해결 효율성에서 $\uparrow4.63%$의 절대적 이득을 달성하는 동시에, 계산 비용을 $\geq9.79%$ 이상 실질적으로 절감했습니다. 프로젝트 페이지: \href{https://xhguo7.github.io/MemOp/}{https://xhguo7.github.io/MemOp/}.