RELAY：通过规则复用和智能体修复扩展历史构建恢复

漏洞基准和软件工程研究依赖于重建历史软件。然而，构建依赖于基础镜像和软件包等外部资源，而这些资源的变化独立于源代码。在本研究中，我们针对 14,159 个 OSS-Fuzz 案例考察了这种环境衰退现象。我们发现，69.7% 的案例已无法完成重建和验证，并且大多数失败都具有少数几种反复出现的失败症状。因此，可以对某类重复性失败进行一次诊断，并复用其修复方案。我们提出了 Relay，这是一种混合框架：它使用 LLM 从具有代表性的失败中推导并验证确定性修复规则，在无需调用模型的情况下复用这些规则，并将规则无法解决的案例升级交由逐案例智能体处理。我们在人工引导和全自动的规则推导活动中评估了 Relay，并将其与逐案例智能体方法进行了比较。我们发现，规则推导可以完全自动化，而且可复用规则恢复的构建数量与逐案例智能体相当，但所需的构建执行次数更少。不过，智能体能够恢复规则无法处理的案例。我们的结果表明，先应用规则、再将剩余案例升级交由智能体处理的混合方法，比单独采用任一方法都能恢复更多构建，并且成本低于单独使用智能体。