arXiv cs.AI· Olivier Nourry, Yoshiki Higo·· 11 小时前AI 评分38
Relay：用规则复用与智能体修复扩展历史构建还原
RELAY: Scaling Historical Build Restoration through Rule Reuse and Agentic Repair
AI 导读
Relay 是一个混合框架，先用 LLM 从代表性失败中推导并验证确定性修复规则，复用规则时无需调用模型，规则无法解决的案例再交给逐案例智能体处理。研究基于 14,159 个 OSS-Fuzz 案例，发现 69.7% 已无法完成重建与验证，且多数失败共享少量反复出现的症状。实验显示规则推导可完全自动化，规则优先、智能体兜底的混合方式比单用任一方法还原更多构建，且成本低于纯智能体方案。
正文 · AI 翻译
摘要：漏洞基准测试与软件工程研究依赖于重建历史软件。然而，构建过程依赖外部资源，例如基础镜像和软件包，这些资源会独立于源代码发生变化。在本研究中，我们考察了 14,159 个 OSS-Fuzz 案例上的这种环境衰减现象。我们发现，69.7% 的案例已无法完成重建与验证，且大多数失败共享少数反复出现的失败症状。因此，一种反复出现的失败可以被诊断一次，其修复方案可被复用。我们提出 Relay，一个混合框架，它使用 LLM 从代表性失败中推导并验证确定性修复规则，在无需模型调用的情况下复用这些规则，并将规则无法解决的案例升级给逐案例智能体处理。我们在人工引导和全自动的规则推导活动中评估 Relay，并将其与逐案例智能体方法进行比较。我们发现，规则推导可以完全自动化，且可复用规则能以更少的构建执行次数恢复与逐案例智能体同样多的构建。然而，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、再将剩余案例升级给智能体的混合方法，比任一单独方法恢复更多构建，且成本低于单独使用智能体。
| 主题： | 软件工程（cs.SE）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.27784 [cs.SE] |
| （或本版本的 arXiv:2610.27784v1 [cs.SE]） | |
| https://doi.org/10.48550/arXiv.2610.27784 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Olivier Nourry [查看邮箱]
[v1]
2026年10月20日星期二 07:49:56 UTC（522 KB）
来源：arXiv cs.AI · arxiv.org