[논문리뷰] Advances and Frontiers of LLM-based Issue Resolution in Software Engineering: A Comprehensive Survey

링크: 논문 PDF로 바로 열기

저자: Caihua Li, Lianghong Guo, Yanlin Wang, et al.

핵심 연구 목표

본 논문은 LLM 기반의 소프트웨어 엔지니어링 이슈 해결(Issue Resolution) 분야에 대한 최초의 체계적인 종합 조사를 제공하는 것을 목표로 합니다. 특히 SWE-bench 와 같은 벤치마크에 의해 촉진된 자율 코딩 에이전트의 발전을 분석하고, 이 분야의 핵심 도전 과제와 미래 연구 방향을 제시하고자 합니다.

핵심 방법론

연구는 데이터, 방법론, 분석 의 세 가지 주요 축을 중심으로 기존 문헌을 분류하는 구조화된 분류 체계 를 따릅니다. 데이터 는 평가 및 훈련 데이터셋, 데이터 수집 및 합성 방식으로 구분되며, 방법론 은 훈련 없는(Training-free) 프레임워크(단일/다중 에이전트, 워크플로우), 모듈(도구, 메모리), 추론 시간 확장(Inference-time Scaling)과 훈련 기반(Training-based) 기술( SFT-기반, RL-기반 )로 나뉩니다.

주요 결과

LLM 기반 이슈 해결 연구가 단순한 함수 레벨 코드 생성 에서 복잡한 리포지토리 레벨 문제 해결 로 전환되고 있음을 보여줍니다. 현재 SWE-bench Verified 에서 MiMo-V2-Flash 와 같은 최상위 모델은 73.4% 의 해결률을 달성했습니다. 주요 도전 과제로는 높은 계산 오버헤드, 효율성 평가 부족, 제한된 시각적 추론 능력, 안전 위험, 미세한 보상 설계의 부재, 데이터 유출 및 오염 등이 강조됩니다.

AI 실무자를 위한 시사점

AI/ML 실무자들은 LLM 기반 에이전트 가 실제 소프트웨어 개발 라이프사이클 전반에 걸쳐 점점 더 중요한 역할을 하고 있음을 이해해야 합니다. SWE-bench 와 같은 실제 문제를 반영하는 벤치마크를 통해 모델의 실용적인 가치 를 평가하고, 멀티모달 데이터 처리 및 효율적인 컨텍스트 관리 와 같은 기술적 난제를 해결하는 데 집중해야 합니다. 또한, 안전하고 신뢰할 수 있는 에이전트 개발을 위해 데이터 큐레이션 과 미세한 보상 설계 에 대한 고려가 필수적입니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.