Neues System 'Autonomous Issue Resolver' löst Code‑Fehler ohne manuellen Eingriff

Mit den jüngsten Fortschritten in großen Sprachmodellen hat die Generierung von Code auf Funktionsbasis einen Quantensprung erlebt. Doch die automatische Reparatur ganzer Repositorien bleibt ein großes Problem. Traditionelle Ansätze setzen auf ein kontrollzentriertes Paradigma, bei dem Agenten komplexe Verzeichnisstrukturen und unnötige Kontrolllogik durchlaufen müssen.

In der vorliegenden Arbeit wird ein Paradigmenwechsel vorgeschlagen: Statt der üblichen Code‑Property‑Graphs (CPGs) wird ein Data Transformation Graph (DTG) eingeführt. Dabei werden Datenzustände als Knoten und Funktionen als Kanten modelliert, sodass Fehler durch die Datenlinie verfolgt werden können, anstatt sich auf den Kontrollfluss zu stützen. Dieses Konzept ermöglicht es Agenten, logische Defekte effizienter zu erkennen.

Das vorgestellte Multi‑Agenten‑Framework verbindet die Navigation der Datenintegrität mit der Logik des Kontrollflusses. Durch theoretische Analysen und Fallstudien wird gezeigt, dass der Ansatz das sogenannte „Semantic Trap“ in herkömmlichen Retrieval‑Augmented‑Generation‑Systemen überwindet. Die Implementierung, genannt Autonomous Issue Resolver (AIR), nutzt neuro‑symbolische Logik und das DTG‑Modell, um skalierbare Logikreparaturen durchzuführen.

Tests an mehreren Software‑Engineering‑Benchmarks, darunter SWE‑Verified, haben eine Erfolgsquote von 87,1 % erzielt. Damit adressiert AIR die Kernprobleme aktueller KI‑Code‑Assistenten und liefert eine robuste Grundlage für die wachsende Abhängigkeit von Software in unserer Welt.