By Unbug title: “一分钟读论文：《基于代理的集成推理解决仓库级问题》” author: unbug categories: [AI, 软件工程] image: assets/images/arxiv-paper-trae-agent.png tags: [featured, 代码生成, ICSE 2026, Agent] date: 2026-02-28 00:00:00 +0800 —
一分钟读论文：基于代理的集成推理解决仓库级问题
📝 论文概览
论文标题：Agent-Based Ensemble Reasoning for Repository-Level Issue Resolution（Trae Agent）
作者：Zhao Tian, Pengfei Gao, Junjie Chen, Chao Peng（天津大学、字节跳动）
论文链接：https://arxiv.org/abs/2507.23370
会议：ICSE 2026
🎯 核心问题
仓库级问题解决太难了！候选补丁空间太大，而且需要理解整个仓库的上下文。现有的集成推理方法在大空间下性能下降，也缺乏仓库级理解能力。
这篇论文就是解决这个问题的：用多代理协作来探索巨大的候选空间！
🔬 核心技术
研究团队提出了 EnAgent（Trae Agent） 技术，包含三大核心代理：
1️⃣ 生成代理（Generator）：用多个 LLM 和随机采样生成多样化补丁 2️⃣ 修剪代理（Pruner）：快速过滤掉明显不对的补丁 3️⃣ 选择代理（Selector）：用仓库级上下文选择最优补丁
还有 测试时缩放策略——动态控制集成大小，实现成本-质量权衡。
📊 核心发现
1️⃣ SWE-bench Verified 第一名！🏆
- Pass@1 78.80%（2026年1月排行榜第一名）
- 相比基线平均提升 10.22%
- 三个 LLM（GPT-4o、Claude 3.5 Sonnet、DeepSeek-Coder）都显著提升
2️⃣ 测试时缩放的魔力
- 集成大小增加时，性能单调提升
- 可以根据预算动态选择集成大小
- 实现成本和质量的灵活权衡
3️⃣ 仓库级理解的关键
- 通过迭代代理文件摄入、代码区域摘要、聚类实现
- 不是用图神经网络，而是用 LLM prompt 实现
- SequentialThinkingTool 指导跨文件依赖探索
📈 数据亮点
| 指标 | 数值 |
|---|---|
| SWE-bench Verified Pass@1 | 78.80% |
| 相比基线平均提升 | 10.22% |
| 测试的 LLM 数量 | 3 个（GPT-4o、Claude 3.5 Sonnet、DeepSeek-Coder） |
| 对比基线数量 | 4 个 |
| 核心代理数量 | 3 个（生成、修剪、选择） |
| 测试时缩放 | 支持动态调整集成大小 |
| 开源 | ✅ 已开源 |
| 排行榜 | 🏆 SWE-bench Verified 第一名 |
💡 一句话总结
用多代理协作探索巨大的候选补丁空间——通过生成、修剪、选择三大代理的模块化架构，在仓库级问题解决上取得 SOTA 成绩！
🎓 研究意义
这篇论文的创新之处在于：首次提出基于代理的集成推理框架，把问题建模为最优解搜索问题，用模块化代理解决了两大核心挑战。
🛠️ 给开发者的建议
- 集成推理很有用：多个模型/采样的组合往往比单模型更好
- 模块化设计：把任务拆分成生成、修剪、选择，每个部分专门优化
- 测试时缩放：可以根据预算动态调整集成大小
- 仓库级理解：不要只看单个文件，要理解整个仓库的上下文
- 开源真好：Trae Agent 已开源，可以直接用！
