MemGovern: 인간의 경험 기반 학습을 통해 코드 에이전트 성능 향상

MemGovern: Enhancing Code Agents through Learning from Governed Human Experiences

자율 소프트웨어 엔지니어링(SWE) 에이전트는 프로그래밍 패러다임을 변화시키고 있지만, 현재는 '폐쇄형 세계'의 한계를 가지고 있습니다. 즉, 에이전트는 오류를 처음부터 수정하거나 로컬 컨텍스트만 사용하여 해결하려고 시도하며, GitHub과 같은 플랫폼에 존재하는 방대한 양의 과거 인간 경험을 무시합니다. 이러한 개방형 경험에 접근하는 것은 실제 이슈 트래킹 데이터의 비정형적이고 단편적인 특성으로 인해 어려움을 겪습니다. 본 논문에서는 MemGovern이라는 프레임워크를 소개합니다. MemGovern은 GitHub의 원시 데이터를 관리하고 변환하여 에이전트가 활용할 수 있는 경험 기반 지식으로 만드는 것을 목표로 합니다. MemGovern은 경험 관리를 통해 인간의 경험을 에이전트 친화적인 경험 카드 형태로 변환하고, 논리 기반의 경험 검색 전략을 도입하여 인간 전문가의 지식을 효율적으로 검색할 수 있도록 합니다. MemGovern은 135,000개의 관리된 경험 카드를 생성하여 SWE-bench Verified에서 4.65%의 성능 향상을 달성했습니다. MemGovern은 플러그인 방식으로 제공되어 에이전트 친화적인 메모리 인프라를 구축하는 데 기여합니다.

While autonomous software engineering (SWE) agents are reshaping programming paradigms, they currently suffer from a "closed-world" limitation: they attempt to fix bugs from scratch or solely using local context, ignoring the immense historical human experience available on platforms like GitHub. Accessing this open-world experience is hindered by the unstructured and fragmented nature of real-world issue-tracking data. In this paper, we introduce MemGovern, a framework designed to govern and transform raw GitHub data into actionable experiential memory for agents. MemGovern employs experience governance to convert human experience into agent-friendly experience cards and introduces an agentic experience search strategy that enables logic-driven retrieval of human expertise. By producing 135K governed experience cards, MemGovern achieves a significant performance boost, improving resolution rates on the SWE-bench Verified by 4.65%. As a plug-in approach, MemGovern provides a solution for agent-friendly memory infrastructure.