LLM 기반 에이전트형 SW 결함 해결

소프트웨어 저장소에서 사용자 설명 기반의 실제 문제 해결은 소프트웨어 유지보수의 핵심입니다. 최근 대규모 언어 모델(LLM)의 추론 및 생성 능력 발전으로 자동화된 소프트웨어 문제 해결 분야에서 상당한 진전이 있었습니다. 그러나 실제 소프트웨어 문제 해결은 본질적으로 복잡하며, 장기적인 추론, 반복적 탐색, 피드백 기반 의사결정 등 기존의 단일 단계 접근 방식을 넘어서는 에이전트형 역량을 요구합니다. 본 연구는 LLM 기반 에이전트형 시스템이 소프트웨어 문제 해결의 유망한 방향임을 인식하고, 이 분야의 폭발적인 성장을 체계적으로 조사합니다. 242개의 최신 연구를 분석하여 작업의 일반적인 워크플로우를 설명하고, 벤치마크, 기술, 경험적 연구의 세 가지 차원에 걸친 분류 체계를 제시합니다. 주요 발견으로는 강화 학습이 소프트웨어 공학 분야 에이전트형 시스템의 중요한 훈련 패러다임으로 부상하고 있다는 점입니다. 또한, 이 조사는 주요 과제를 요약하고 향후 연구를 위한 유망한 방향을 제시합니다. 에이전트형 소프트웨어 문제 해결의 발전은 소프트웨어 유지보수 효율성과 품질을 크게 향상시킬 뿐만 아니라, 에이전트 시스템의 추론, 계획, 실행 능력을 검증하는 현실적인 환경을 제공하여 AI와 소프트웨어 공학을 연결하는 중요한 의미를 가집니다.