في عالم تطور التكنولوجيا والبرمجيات، ظهرت أداة جديدة تُدعى AdaRepair-Mem، التي أحدثت طفرة في كيفية إدارة وإصلاح البرامج على مستوى المستودعات (repositories). تعتمد هذه الأداة على ذاكرة مُعززة (memory-augmented) لاسترجاع تجارب الإصلاح التاريخية، مما يعزز فعالية الحلول المستندة إلى نماذج اللغات الكبيرة (Large Language Models) في معالجة المشكلات.

ومع ذلك، يكشف التحليل الذي أجرته الأداة عن ثلاثة قيود رئيسية في أساليب استرجاع الذاكرة المستخدمة حاليًا. أولًا، هناك عدم توازن حاد في الذاكرة بين المستودعات، مما يترك المستودعات ذات الموارد المحدودة دون دعم فعال. ثانيًا، زيادة الذاكرة لا تضمن دائمًا تحقيق نجاح أعلى في الإصلاح، مما يعني أن صلة الذاكرة وجودتها وتكرارها هي عوامل أكثر أهمية من مجرد حجم الذاكرة. ثالثًا، هناك عدم توافق في تراكم الذاكرة؛ حيث تحتوي المستودعات على العديد من الخبرات في إعادة الإنتاج ولكن القليل من تجارب التصحيح أو التعديل.

لمعالجة هذه المشكلات، يقدم مشروع AdaRepair-Mem إطارًا لتعزيز استرجاع الخبرات، والذي يتضمن استرجاعًا واعيًا للتغطية، مما يعود إلى الذاكرة عبر المستودعات أو نوع الإصلاح عند عدم كفاية الذاكرة في نفس المستودع. بالإضافة لذلك، يتم تصنيف الذاكرة حسب الصلة والفائدة التاريخية والتخصص والتكرار، مع توجيه استرجاع الذاكرة وفقًا لمراحل مختلفة من العملية.

عند تقييم الأداة على مجموعة البيانات SWE-Bench-Lite وSWE-Bench-Verified، أظهرت نتائج ملحوظة: تحسين أداء الإصلاح في المستودعات المحدودة التغطية، وتقليل استرجاع الذاكرة المزعجة، ودعم أفضل لتحسين التصحيحات غير الناجحة. تؤكد هذه النتائج على أن مفتاح إصلاح البرمجيات المعزز بالذاكرة ليس فقط في تراكم المزيد من الخبرات، ولكن في استرجاع التجارب الصحيحة للسياق الصحيح للإصلاح.