先懂再修：基于问答驱动的仓库知识获取实现软件议题自动修复 Know Before Fix: QA-Driven Repository Knowledge Acquisition for Software Issue Resolution

完整流程分两大步。Stage 1 知识获取：给定议题描述 $I$ 和执行环境 $E$，(1) Questioner 依据四类模板的结构化提示（含类别描述、JSON 输出模式、非冗余与自包含约束、温度 0.7 鼓励多样性）生成 N 条问题 $\{q_1,\dots,q_N\}$，每条标注类别并按重要性排序；(2) N 条问题分派给 N 个独立实例化的 Answerer，每个 Answerer 复用 Mini-SWE-Agent 的脚手架但运行在只读模式（每步超时 120s、最大轨迹 150 步、单实例成本上限 $2.0、温度 0.0），其提示要求答案必须引用具体文件路径/函数名/代码行为、证据足够即提交、证据不足要明确承认缺口而非编造；(3) 各实例并行完成后，把 $(q_i,a_i)$ 配对组装成 $K$。Stage 2 知识驱动的修复：Resolver 继承 Mini-SWE-Agent 的脚手架与环境设置（每步超时 360s、最大轨迹 250 步、单实例成本上限 $3.0、温度 0.0），接收 $I$ 与 $K$，把 N 条 QA 序列化成结构化文本块、前置于修复指令之前（静态前置注入而非动态流式），然后迭代进行代码导航/编辑/测试执行，直到产出候选补丁；注入的 QA 作为辅助而非强制上下文，Resolver 仍可基于直接观察独立验证和调整。

技术新颖性体现在几条相互支撑的设计上。第一，提出 agent-to-repository 的 QA 范式，把仓库级 QA 从外部基准评测内化为修复前的一个内部能力，这是据作者所知首个把仓库级 QA 集成进议题修复的工作。第二，类别引导的问题分类法来自对真实失败模式的实证归纳（而非拍脑袋设计），且消融显示去掉它 Pass@1 掉 3.8 pp、问题诊断性与覆盖度显著下降，证明这套分类是可迁移的通用模板。第三，静态前置注入而非动态按需流式，作者论证这既保持两阶段设计的模块化、又保证从第一个修复动作起就有完整知识上下文，避免早期决策在部分信息下做出。第四，最小干预原则——Resolver 提示明确要求把 QA 当作须与仓库直接观察交叉验证的辅助上下文，冲突时以代码/命令输出/测试反馈为准，使得性能差异能干净归因到知识本身而非修复机制改动。这套设计组合让 ACQUIRE 在保持与轻量定位基线相当的成本与时间下，达到 SOTA Pass@1。

第一，静态前置注入在长 QA 下存在注意力稀释风险：Fig. 3 显示 N=3 时 Pass@1 从 70.8% 回落到 69.0%，作者归因于上下文变长稀释注意力，改进方向是按修复阶段动态检索相关 QA 条目、或对注入内容做摘要/去冗，把『lost in the middle』问题降到最低。第二，Resolver 对误导性 QA 的抵抗力不足：22 个 Pass→Fail 中有 5 个属误导性，且这 5 个里 QA 多数事实正确只是修复框架不对，API 调用反而增加 +11.40；改进方向是给 Resolver 加置信度校准与 QA-代码冲突检测，必要时主动证伪 QA 提示的位置。第三，对窄而深的议题知识可能欠覆盖：四类模板分布严重偏向 Mechanism & Behavior（74.4%），而 20/44 个 Fail→Pass 实例（45.5%）实际需要跨类别组合知识，说明单类别主导时易遗漏；可引入议题类型自适应的类别配额或迭代追加提问。第四，跨语言/跨生态泛化未验证：当前只在 Python 仓库验证，C++/Java 等编译型语言的构建系统、类型推断与外部协议约束差异大，模板与只读探索策略需重新调优。第五，对骨干模型成本结构的依赖：成本优势部分来自 DeepSeek-V3.2 的 MoE 稀疏激活，换到无稀疏激活的高价模型时 $0.073 这种经济性可能不成立，需要按 token 单价重新核算。

作者提出的方向包括：将四类问题模板扩展为层级化类别、设计按议题类型自适应的模板、或从大规模修复轨迹自动学习类别模式；以及把静态前置注入升级为与修复轨迹耦合的动态获取，让 agent 在新假设涌现时按需请求并刷新知识，同时控制知识新鲜度与算力成本的权衡。基于本文成果可进一步延伸的方向我补充几点：一是把 QA 知识沉淀为可复用的跨议题记忆（呼应 EXPEPAIR/Agent KB 的双记忆思路），让相似议题不必重复探索；二是用强化学习训练 Questioner 与 Answerer（参考 RepoQA-Agent 的 MCTS+RL），把『问什么、怎么答』从提示工程升级为可优化的策略；三是把误导性 QA 检测做成显式的自一致性校验模块，结合测试反馈闭环地淘汰错误框架；四是在多语言、多生态（如 Java 的 Spring、Rust 的 cargo）基准上验证 QA 范式，并研究编译错误/类型反馈这类语言特有信号如何融入四类模板；五是把 Pass@1 之外的指标（补丁最小性、回归风险）纳入评测，回应 SWE-bench 测试充分性的质疑。

复现性总体良好。代码与数据已在 https://github.com/LionLin2003/ACQUIRE 公开，论文专门设有 Data Availability 声明。评测基准 SWE-bench Verified（500 实例）公开可获取，骨干模型 DeepSeek-V3.2 为开源（671B 总参、约 37B 激活）、GPT-5-mini 为商用 API，基线方法均沿用各自原论文默认设置且都挂载在共享的 Mini-SWE-Agent 修复底座上，温度统一 0.0（Questioner 0.7），关键超参（每步超时、最大轨迹、单实例成本上限）在 Implementation Details 与补充材料中给出。提示模板（Questioner、Answerer、问题质量评估的 scoring 与 pairwise voting）完整收录在补充材料，LLM-as-judge 每个判断重复 10 次并做了位置偏差缓解。算力方面，每个实例成本被 cap 在 $2.0（Answerer）/ $3.0（Resolver），端到端 DeepSeek-V3.2 平均 $0.073/实例，500 实例规模在单卡或 API 配额下可承受；难点主要在于 N 个 Answerer 并行实例的编排与隔离 Docker 环境的搭建，以及对 SWE-bench 测试沙箱的依赖。综合看属中高复现难度，主结论（+3.8/+4.4 pp、轮次下降）应可在合理算力内复现。