[논문리뷰] MemGovern: Enhancing Code Agents through Learning from Governed Human Experiences

링크: 논문 PDF로 바로 열기

저자: Qihao Wang, Ziming Cheng, Shuo Zhang, Fan Liu, Rui Xu

핵심 연구 목표

자율 소프트웨어 엔지니어링(SWE) 에이전트가 GitHub와 같은 플랫폼에 축적된 방대한 인간 경험을 효과적으로 활용하지 못하는 "닫힌 세계" 한계를 해결하는 것이 목표입니다. 이 연구는 비정형적이고 파편화된 실제 문제 추적 데이터로부터 에이전트 친화적인 경험 메모리를 구축하여 버그 수정 능력과 추론 정확도를 향상시키고자 합니다.

핵심 방법론

MemGovern은 경험 거버넌스 를 도입하여 원시 GitHub 데이터를 에이전트 친화적인 경험 카드 로 변환합니다. 이는 계층적 경험 선택 , 색인 레이어(Index Layer) 및 해결 레이어(Resolution Layer) 로 구조화하는 경험 표준화 , 그리고 LLM 기반 품질 관리 를 포함합니다. 이후, SWE-Agent 백본 에 플러그인 형태로 통합된 검색(Searching) 및 탐색(Browsing) 이라는 이중 기본 인터페이스를 활용하는 에이전틱 경험 검색 전략을 통해 인간의 전문 지식을 논리적으로 검색하고 적용합니다.

주요 결과

MemGovern은 135,000개의 정제된 경험 카드 를 성공적으로 생성했습니다. 이를 통해 SWE-bench Verified 벤치마크에서 기존 SWE-Agent 대비 평균 4.65%의 문제 해결률 향상 을 달성했습니다. 특히, GPT-4o 모델에서는 해결률이 23.2%에서 32.6%로 9.4% 상승 했으며, Qwen3-235B 모델에서는 47.2%에서 55.4%로 8.2% 상승 하는 등 여러 LLM 백본에서 견고하고 모델 불가지론적인 성능 개선을 입증했습니다.

AI 실무자를 위한 시사점

이 연구는 SWE 에이전트의 실세계 문제 해결 능력 을 향상시키기 위한 외부 지식 활용 전략 의 중요성을 입증합니다. 특히, 대규모의 비정형 데이터를 정제하고 구조화하는 '경험 거버넌스' 파이프라인 은 다른 도메인의 AI 에이전트 개발에도 적용될 수 있는 중요한 방법론입니다. 또한, 검색(Searching)과 탐색(Browsing)을 결합한 에이전틱 검색 메커니즘 은 LLM 기반 에이전트가 복잡한 데이터 공간에서 효율적으로 지식을 탐색하고 활용하는 데 효과적인 패턴을 제공합니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.