MEMRES: 에이전트 기반의 파이썬 의존성 해결 시스템으로, 메모리 확장 및 신뢰도 계층 구조를 활용

MEMRES: A Memory-Augmented Resolver with Confidence Cascade for Agentic Python Dependency Resolution

본 논문에서는 파이썬 의존성 해결을 위한 에이전트 기반 시스템인 MEMRES를 소개합니다. MEMRES는 LLM을 최종 단계로 활용하는 다단계 신뢰도 계층 구조를 특징으로 합니다. 시스템은 다음과 같은 요소로 구성됩니다. (1) 팁과 단축키를 통해 재사용 가능한 해결 패턴을 축적하는 자체 진화 메모리, (2) 200개 이상의 큐레이션된 import-to-package 매핑을 포함하는 오류 패턴 지식 베이스, (3) 의미론적 import 분석기, 그리고 (4) 가장 큰 오류 범주를 해결하는 Python 2 휴리스틱 감지기. HG2.9K 데이터셋에서 Gemma-2 9B (10GB VRAM)를 사용하여 MEMRES는 2890개의 스니펫 중 2503개(86.6%, 10회 실행 평균)를 해결했으며, 나머지 스니펫은 세션 내 메모리와 신뢰도 계층 구조를 결합하여 해결했습니다. 이는 PLLM의 전반적인 성공률 54.7%를 훨씬 뛰어넘는 결과입니다.

We present MEMRES, an agentic system for Python dependency resolution that introduces a multi-level confidence cascade where the LLM serves as the last resort. Our system combines: (1) a Self-Evolving Memory that accumulates reusable resolution patterns via tips and shortcuts; (2) an Error Pattern Knowledge Base with 200+ curated import-to-package mappings; (3) a Semantic Import Analyzer; and (4) a Python 2 heuristic detector resolving the largest failure category. On HG2.9K using Gemma-2 9B (10 GB VRAM). MEMRES resolves 2503 of 2890 (86.6%, 10-run average) snippets, combining intra-session memory with our confidence cascade for the remainder. This already exceeds PLLM's 54.7% overall success rate by a wide margin.