修復前先理解：ACQUIRE 框架透過問答機制提升大型語言模型對軟體專案的理解與修復準確率

本研究提出 ACQUIRE 框架，模仿資深開發者流程，在修復前先透過問答機制主動獲取專案知識。此方法能有效填補模型對程式庫理解的落差，顯著提升自動化修復軟體問題的準確性。

Problem

目前基於大型語言模型（LLM）的自動化修復代理常因對軟體專案理解不足，導致產生事實性錯誤。既有的修復導向策略往往在不清楚知識缺口的情況下盲目探索程式庫，難以提供精確的上下文資訊來輔助修復，無法從根本解決理解匱乏的問題。

研究團隊開發了 ACQUIRE 框架，將知識獲取與補丁生成階段解耦。第一階段由「提問者」與「回答者」協作獲取結構化知識，提問者針對疑點提問，回答者則透過自主探索提供具實據的解答；第二階段由「修復者」利用這些問答知識生成精確的修復補丁。

在 SWE-bench Verified 基準測試中，ACQUIRE 的表現穩定優於現有的修復前探索方法。在僅增加少量成本與時間的情況下，該框架成功將 Pass@1 成功率提升了 4.4 個百分點，證明了其在知識密集型修復階段的優勢。

此研究將隱含的知識缺口轉化為顯式且可靠的理解，模仿資深開發者「先理解、後修復」的行為模式。這不僅加速了自動化軟體修復的過程，更為提高 AI 代理在複雜程式庫中的修復準確性與可靠性提供了全新的路徑。