CuraLoc：通过规划式代码检查进行仓库级故障定位

arXiv:2610.31809v1 公告类型：new 摘要：错误报告描述了哪里出了问题，但很少指出代码应在何处修改。现有的仓库级定位方法通常让语言模型迭代决定下一步检查哪些代码，这需要反复调用模型并消耗大量 token。我们研究了能否在获取源代码之前预先规划这些检查决策。在本研究中，我们提出 CuraLoc：该方法首先选择候选文件，并使用紧凑的行为和结构描述表示其中的符号。在一次规划决策中，模型联合选择起始符号、确定从每个符号出发需要检查的代码关系，并形成关于可能修改位置的假设。随后，确定性检索收集所请求的源代码，并依据这些假设进行最终排序，从而将模型的推理集中于选择和比较代码，而不是指导每一步检索。我们在 SWE-Bench Lite 和 Verified 数据集上展示了所提出方法的有效性。在使用 GPT-5.2 的 SWE Bench Verified 上，CuraLoc 将 Func@1 从 LocAgent 的 53.8% 提升至 59.3%，同时记录的 token 数量减少了 90.3%；在 Func@1 指标上，CuraLoc 也优于 RepoSearcher（56.2%）和 Agentless（39.6%）。在 SWE-bench Lite 上，CuraLoc 达到 83.8% 的 Func@5 准确率，相较于 Agentless 的相对准确率提升超过 15%。此外，CuraLoc 支持不同的模型骨干，并已证明使用 GPT-5.2 和 GPT-6 Astra 均能取得较高的定位准确率。这些结果表明，无需由模型迭代控制导航，也可以有效规划仓库级代码检查。