Localization

概述

Localization（代码定位）是软件工程 Agent 的关键子任务，包括文件级定位（找到相关文件）和行级定位（找到精确修改位置）。它是 SWE agent 的本质瓶颈之一。

关键内容

两层定位

层级	任务	难度
File-level	找到相关文件	中
Line-level	找到精确修改位置	高

为什么是瓶颈

"找不到正确位置，再强的编辑能力也没有意义；找错位置，后续动作都会建立在错误假设上。"

真实软件工程最难的往往不是"最后改那几行代码"，而是先找到该改哪里。仓库级搜索能力实际上决定了 agent 是否能把问题缩到可操作范围。

搜索方式的发现

论文 Table 3 显示不同搜索接口差异明显： - Summarized search 效果最好 - Iterative search 次之——让 agent 容易把每个结果都看一遍，导致成本和上下文被耗尽 - No search 不是最差，但也不如总结式搜索

这说明"搜索能力"不是简单加个 grep 就行，关键在结果呈现方式。

后续演进方向

SWE-agent 虽然没把 localization 当成唯一主题，但它实际上指出：

SWE agent 的本质瓶颈之一是"从 issue 文本到代码位置"的映射能力。

后续工作因此更关注： - Repository maps - Symbol index - Static analysis - Call graph

成功轨迹的行为模式（Figure 7）

Figure 7 统计了成功解决的 SWE-bench 任务中各 turn 的动作调用频率： - 前几轮：主要是 find_file、search_dir、open 等定位动作 - 后几轮：主要是 edit、python、pytest 等修改和验证动作

这说明成功的 SWE-agent 轨迹不是一上来就改代码，而是先定位，再进入编辑-验证闭环。

失败模式分布（Figure 8）

Figure 8 把未解决任务按失败类型做了分布统计： - Incorrect Implementation + Overly Specific Implementation：~52.0%（最大类别） - Failed to Recover from Edit：~23.4%（与编辑恢复相关） - Failed to Find Edit Location：定位失败 - Failed to Find Relevant File：文件级定位失败

这说明 SWE-agent 的主要瓶颈已经不只是"找不到文件"，而是"方案本身不够对"或"改坏后恢复不了"。接口设计解决了不少导航/编辑问题，但真正的功能性推理和泛化实现仍然是主要难点。

来源

raw/ChatGPT-Chat/ChatGPT-SWE-agent 论文核心观点/03-SWE-agent 论文的所有核心概念展开详细分析一个一个.md — SWE-agent 核心概念分析
raw/ChatGPT-Chat/ChatGPT-SWE-agent 论文核心观点/05-SWE agent 有哪些图表，每个图表核心内容和核心观点是什么？.md — SWE-agent 论文图表分析
raw/ChatGPT-Chat/ChatGPT-SWE-agent 论文核心观点/07-SWE-agent 轨迹格式长什么样，怎么进行分析，怎么判断轨迹中哪些问题导致了后续任务的失败？.md — SWE-agent 轨迹分析方法论