Know Before Fix: QA-Driven Repository Knowledge Acquisition for Software Issue Resolution

LLM-based coding agents have significantly advanced automated software issue resolution, yet they remain highly prone to factual errors caused by insufficient repository understanding. Recent methods attempt to mitigate this limitation through pre-repair repository exploration; however, their fix-driven strategies explore repositories without identifying the agent's knowledge gaps, often yielding imprecise context that fails to bridge the underlying understanding deficit. In this paper, we propose ACQUIRE, a QA-driven framework for software issue resolution. Mirroring how experienced developers first comprehend unfamiliar code before attempting a fix, ACQUIRE explicitly acquires repository knowledge prior to repair. The framework decouples knowledge acquisition from patch generation through two stages: in the first stage, a Questioner and an Answerer collaborate to acquire structured repository knowledge, where the Questioner poses targeted questions and the Answerer produces evidence-grounded answers through autonomous exploration; in the second stage, the Resolver leverages the resulting QA knowledge to generate informed patches. By transforming implicit knowledge gaps into explicit, factually reliable understanding, ACQUIRE accelerates knowledge-intensive repair stages and enables more accurate resolution. Experiments on SWE-bench Verified demonstrate that ACQUIRE consistently outperforms representative pre-repair methods, raising Pass@1 by up to 4.4 percentage points with modest additional cost and time.

한 줄 요약

ACQUIRE는 QA 프레임워크를 통해 소프트웨어 이슈 해결 전에 구조화된 리포지토리 지식을 획득함으로써 정확도를 향상시킨다.

핵심 기여도

ACQUIRE는 Questioner와 Answerer 모듈을 통해 리포지토리 지식을 구조화된 QA 형식으로 획득.
기존 fix-driven 접근과 달리, 먼저 지식 부족을 파악한 후 해결 단계를 수행.
SWE-bench Verified에서 Pass@1 성능을 기존 방법 대비 최대 4.4% 포인트 개선.
추가 비용과 시간은 최소한한 상태에서 성능 향상.

핵심 아이디어

ACQUIRE는 경험 많은 개발자가 코드를 이해한 후 수정을 시도하는 방식을 모방한다. 기존 방법은 문제 해결을 목표로 리포지토리를 탐색하지만, 이 과정에서 지식 부족을 명확히 파악하지 못해 불완전한 정보만 수집된다. ACQUIRE는 이 문제를 해결하기 위해 두 단계로 나뉜다: 첫 번째 단계에서 Questioner가 구체적인 질문을 제시하고, Answerer가 자동 탐색을 통해 근거를 바탕으로 답변을 생성함으로써 구조화된 지식을 획득한다. 두 번째 단계에서 Resolver는 이 QA 지식을 기반으로 보다 정확한 패치를 생성한다. 이는 암묵적인 지식 부족을 명시적이고 사실 기반의 이해로 전환하는 핵심 아이디어이다.

기술적 접근법

**Questioner**: 문제 해결 전에 필요한 구체적인 질문을 생성.
**Answerer**: 질문에 대해 자동 탐색을 통해 근거를 바탕으로 답변 생성.
**Resolver**: QA 지식을 바탕으로 패치 생성.
**단계 분리**: 지식 획득과 패치 생성을 분리하여 효율성 향상.
**SWE-bench Verified** 데이터셋을 사용한 실험.

주요 결과

**SWE-bench Verified** 데이터셋에서 Pass@1 성능을 기존 pre-repair 방법 대비 최대 **4.4% 포인트** 개선.
추가 비용과 시간은 **modest** 수준으로 유지됨.

의의 및 한계

ACQUIRE는 LLM 기반 코드 생성 에이전트의 리포지토리 이해 부족 문제를 해결하는 새로운 접근법을 제시한다. 구조화된 QA 프레임워크를 통해 지식 부족을 명시적으로 파악하고, 이를 해결 단계에 반영함으로써 정확도를 높인다. 그러나 본 연구는 SWE-bench Verified에만 적용되었으며, 다른 데이터셋이나 실제 산업 환경에서의 일반화 가능성은 추가 연구가 필요하다. 또한, Questioner와 Answerer의 질문-답변 품질이 최종 성능에 큰 영향을 미칠 수 있다.

실용적 활용

ACQUIRE는 소프트웨어 개발 과정에서 자동화된 이슈 해결을 필요로 하는 산업, 특히 대규모 오픈소스 프로젝트나 CI/CD 파이프라인에서 유용하게 활용될 수 있다. 개발자 도구나 코드 리뷰 시스템에 통합하여 실시간으로 정확한 패치를 제안하는 데 활용 가능하다.