LLM Agents Software Engineering Memory-Augmented Planning
摘要

利用大语言模型(LLM)智能体解决真实软件问题是一个漫长的过程,涉及探索、假设、实施和验证等多个阶段。现有方法通常孤立地增强规划或记忆,导致轨迹易受陈旧证据干扰。本文提出PMCoder,一种将分层阶段规划器与情景记忆双向耦合的智能体:当前计划阶段条件化记忆检索,而基于记忆的轨迹统计信息用于检测停滞并触发重规划。实验显示,该方法在SWE-bench Verified上比基线多解决25个案例,有效减少了重复失败操作和上下文窗口耗尽问题。

AI 推荐理由

论文核心提出将规划与记忆耦合的架构,重点解决长轨迹中的任务分解、状态检测与重规划问题。

研究机构
Vanderbilt University
论文信息
作者 Jiahao Zhang, Yifan Zhang, Yu Huang
发布日期 2026-08-07
arXiv ID 2608.06811
相关性评分 9/10 (高度相关)