Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
라이브러리 업데이트로 인한 Breaking API 변경 문제를 해결하기 위해 에이전트 기반 프레임워크인 BigBag을 제안합니다. LLM과 AST 변환 엔진을 결합하여 재사용 가능한 수정 프로그램을 생성함으로써, 여러 프로젝트에 걸쳐 효율적이고 확장 가능한 코드 복구를 가능하게 합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv Codex (cs.SE)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기현대 소프트웨어 프로젝트는 지속적으로 진화하는 제3자 라이브러리에 의존하며, 이 과정에서 발생하는 Breaking API 변경 사항은 의존성 업데이트 후 클라이언트 코드가 컴파일되지 못하게 만듭니다. 동일한 라이브러리 업데이트가 여러 프로젝트를 망가뜨릴 때, 기존의 복구 방식은 재사용할 수 없는 프로젝트별 패치를 생성하므로 영향을 받는 각 프로젝트를 독립적으로 복구해야 합니다. 우리는 BigBag을 제시합니다. 이는 수정 변환(fixing transformations)을 생성하는 에이전트 기반 프레임워크로, API 수준에서 복구 로직을 인코딩하고 동일한 업데이트로 인해 망가진 모든 클라이언트에 전달할 수 있는 구조화된 실행 가능 프로그램을 생성합니다. 우리는 BUMP 벤치마크의 157개 컴파일 실패 Breaking 의존성 업데이트를 대상으로, 4개의 대규모 언어 모델(Large Language Models, LLM)과 2개의 AST 변환 엔진(Spoon 및 JavaParser)을 결합한 8가지 구성에서 BigBag을 평가했습니다. 가장 우수한 구성은 94.3%의 컴파일 가능한 변환율과 78.6%의 수정률(fix rate)을 달성했습니다. 생성된 변환은 프로젝트 간에 전달되어, 전체적으로 33.3%의 프로젝트 간 수정률을 달성했으며, 모든 클라이언트가 영향을 받는 API 요소를 균일하게 호출하는 Breaking 업데이트의 경우 80% 이상의 수정률을 기록했습니다. 이러한 결과는 재사용 가능한 수정 변환의 에이전트 기반 생성이 Breaking 업데이트의 확장 가능한 복구를 위한 실행 가능한 접근 방식임을 보여줍니다.