[논문리뷰] HAFixAgent: History-Aware Automated Program Repair Agent

링크: 논문 PDF로 바로 열기

저자: YU SHI, HAO LI, BRAM ADAMS, AHMED E. HASSAN

핵심 연구 목표

본 연구는 기존 LLM 기반 프로그램 자동 수정(APR) 시스템이 로컬 코드 스냅샷에만 의존하여 복잡한 다중-hunk 버그 수정 시 저장소 이력 정보 를 간과하는 문제를 해결하고자 합니다. 특히, Git blame에서 파생된 이력 정보를 에이전트 기반 APR 시스템에 통합하여, 이러한 복잡한 버그 유형에 대한 수정 성능을 확장하고 개선하는 것을 목표로 합니다.

핵심 방법론

제안하는 HAFixAgent 는 반복적인 Reason-Act(ReAct) 루프 를 따르는 최소한의 에이전트 기반 아키텍처를 채택합니다. 이 시스템은 Git blame 을 통해 얻은 fn_all(함수 이름), fn_pair(함수 코드 스냅샷), fl_diff(파일 레벨 diff)와 같은 세 가지 이력 휴리스틱 을 LLM의 컨텍스트에 주입합니다. 또한, blame 정보가 없는 버그를 위한 폴백(fallback) 전략 을 포함하며, grep, sed, find 등 표준 Bash 도구 를 활용하여 자율적인 코드 탐색, 편집 및 테스트를 수행합니다.

주요 결과

사전 연구에서 Defects4J 버그의 71.1% 가 blame 가능한 것으로 나타났으며, 70.7% 는 단일 고유 blame 커밋에 매핑되어 이력 정보의 가용성과 집중도를 확인했습니다. HAFixAgent 는 RepairAgent 대비 212.3% 더 많은 버그를 수정(523개 vs 164개)하고, BIRCH-feedback 대비 29.9% 더 우수한 성능(다중-hunk 버그 175개 vs 133개)을 달성했습니다. 특히, 이력 기반 설정은 비이력 설정으로는 수정할 수 없는 194개의 고유 버그 를 추가로 수정했으며, 이력 정보 통합이 에이전트 단계 수나 토큰 비용을 유의미하게 증가시키지 않음이 확인되었습니다.

AI 실무자를 위한 시사점

HAFixAgent 의 성공은 버전 관리 이력 이 LLM 기반 APR 에이전트의 핵심적인 컨텍스트 소스로 활용될 수 있음을 보여줍니다. AI/ML 엔지니어는 에이전트 설계 시 Git blame 과 같은 도구를 통해 과거 변경 사항과 개발자 의도를 파악하는 역사적 컨텍스트 를 적극적으로 통합해야 합니다. 또한, 다양한 이력 휴리스틱이 상호 보완적이라는 점을 고려하여, 두세 가지 휴리스틱을 조합 하는 전략이 높은 수리율과 비용 효율성을 동시에 달성하는 데 효과적임을 시사합니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.