LLM(Large Language Model) 기반의 수정 에이전트(repair agents)는 복잡한 저장소 수준(repository-level)의 문제를 해결할 수 있지만, 모든 문제를 독립적으로 취급하며 이전 수정 과정에서 축적된 절차적 지식(procedural knowledge)을 버립니다. 우리는 과거의 수정 궤적(repair trajectories)을 미래의 수정을 안내하는 데 적응 가능한 계층적이고 재사용 가능한 계획(plans)으로 변환하는 프레임워크인 STAIR를 소개합니다. 각 과거 궤적은 미세한 진단 작업(diagnostic actions)부터 높은 수준의 수정 전략(repair strategies)에 이르기까지 여러 단계의 트리(tree)로 변환되어, 여러 세분화 수준(granularities)에서 경험을 인코딩합니다. 새로운 문제가 발생하면, STAIR는 여러 추상화 수준에서 관련 계획 노드(plan nodes)를 선택하고, 이를 실행 가능하며 문제 특화된 계획으로 맞춤화하여 프롬프트(prompt)를 통해 에이전트에 제공합니다. SWE-bench Verified에서 Lingxi와 통합된 STAIR는 MiniMax M2.5를 사용하여 81.2%의 Pass@1을 달성하였고, GPT-5를 사용하여 79.2%를 달성했습니다. 생성된 계획은 에이전트 간에도 일반화됩니다. 코드 변경 없이도 구조적으로 다른 에이전트인 mini-SWE-agent v2의 Pass@1을 75.8%에서 81.0%로 끌어올렸습니다. 절제 실험(Ablation experiments)을 통해 여러 추상화 수준을 혼합하는 것이 단일 수준을 사용하는 것보다 뛰어나며, 추상화되지 않은 가공되지 않은 궤적(raw, unabstracted trajectories)은 전송 성능이 상당히 떨어진다는 것을 추가로 보여줍니다.