شهدت تكنولوجيا الذكاء الاصطناعي مؤخرًا تقدمًا مذهلًا بفضل النماذج اللغوية الضخمة (Large Language Models)، التي ساهمت في أتمتة مهام هندسة البرمجيات. لكن يبقى حل المشكلات على مستوى المستودع أمرًا معقدًا، فبالإضافة إلى الحاجة لتوليد تصحيحات قابلة للتطبيق، يجب على الوكيل البرمجي تحديد الكود المتعلق عبر الملفات المعتمدة على بعضها البعض والحفاظ على سياق المستودع الذي يجب أن يكون كافيًا ومركزًا.

تُظهر الرسوم البيانية للكود العلاقات غير المحلية، ولكن الواجهات النصية الخطية تخفي طوبولوجيتها. وعندما يتم استخراج الرسوم البيانية للمستودع بأكمله، تصبح التمثيلات البصرية كثيفة جدًا لدرجة يصعب فهمها، بينما يصبح العرض المحلي الأحادي غير صالح مع تقدم الاستكشاف.

تقديمنا لـ **RepoAtlas** كحل لهذه المشكلات يمثل خطوة ثورية. تعد هذه الوحدة الجديدة "خطوة تدريبية" تحدث تغييرات في المستودعات عبر حلقة متكررة من "اختيار - مشروع - تحديث" تستند إلى الرسم البياني للكود الخاص بالمستودع. تقوم RepoAtlas بدمج الأدلة من المشكلة مع حالة الاستكشاف الحالية للوكيل لاختيار منطقة ذات صلة بالمهام ضمن ميزانية محددة، ثم يقوم بعرض الهيكل المحدد في تمثيلات بصرية ونصية مكملة، وتحديث العرض عند حدوث تغييرات في حالة الاستكشاف تجعل العرض قديمًا.

لقد تم تقييم RepoAtlas على منصة SWE-bench Verified، حيث حقق تحسينًا بمعدل حل المشكلات بمقدار 2.4 نقطة مع تقليل المدخلات والنداءات للنموذج بنسبة 5.8% و7.8% في المتوسط، مقارنةً بأقوى قاعدة بيانات رسوم بيانية متعددة الأنماط، مع تحقيق مكاسب متسقة عبر ثلاثة نماذج من عائلات وأحجام مختلفة.