حققت نماذج اللغات الضخمة (Large Language Models) تقدمًا كبيرًا في حل المشكلات بشكل آلي، لكن توجد عوائق أساسية تعرقل فعالية الطرق المعتمدة على الوكلاء. تلخص هذه العقبات في عدم كفاية استكشاف استراتيجيات الإصلاح، مما يؤثر سلبًا على جودة الحلول المقدمة.

للتصدي لهذه التحديات، تم تقديم PhoenixRepair كإطار عمل متكامل يعيد التفكير في كيفية استكشاف استراتيجيات الإصلاح. يستند هذا الإطار إلى نظام وكيل متعدد يعمل على استكشاف مواقع تحرير متعددة بشكل منهجي، وينفذ عمليات التفكير العائد والتحسين على توليد التصحيحات، مما يوسع فضاء البحث عن الحلول.

تبدأ العملية بعمليات اختيار عشوائية لمواقع متعددة، مزودة أحيانًا بمعلومات محلية قائمة على الرسوم البيانية لمهام أكثر تعقيدًا. بعد ذلك، ينفذ النظام عمليات تفكير عائد وتحسين لإنتاج تصحيحات أفضل، حتى يصل إلى دورات توليد نهائية تستند إلى رؤى مستخرجة من جميع المحاولات السابقة.

أظهرت التجارب التي أجريت على SWE-bench-Verified أن PhoenixRepair يحقق تحسينًا نسبيًا يبلغ 7.8% مقارنةً بـ SWE-agent تحت بيئة اختبار DeepSeek-V3.1، وبنسبة دقة خدمة تبلغ 76.0% في معيار Pass@1 تحت MiniMax-M2.5. كما حقق النظام دقة أعلى في تحديد الأخطاء مقارنةً بالأساليب الحالية.

لمن يود الاطلاع على الكود البرمجي، يمكن زيارته عبر الرابط: PhoenixRepair على GitHub. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!