Software Engineering Empirical Research Radar

Repair 论文地图

先看每类工作的贡献、推进和难度，再决定自己的切入点。

读 repair 不能只问“修了多少个 bug”。更好的读法是：它改变了 pipeline 的哪一层？给了模型/算法什么信息？比谁强？代价是什么？失败案例暴露了什么下一步机会？

代表工作怎么贡献

工作 / 类型	核心贡献	推进了什么	难度与启发
GenProg / RSRepair 搜索式 APR	把程序补丁看成搜索空间，用测试作为 fitness 过滤。	奠定 generate-and-validate 范式：生成候选、跑测试、保留 plausible。	难点在搜索空间巨大、测试 oracle 弱、补丁容易 overfit；今天仍是理解 APR 的第一层。
SemFix / Angelix 语义约束式 repair	从失败路径和约束求解中合成表达式或条件。	推进了从随机搜索到语义约束的方向，强调 specification/test constraints。	工程适配难、语言/表达式范围受限；但它提醒我们 runtime evidence 不是新鲜玩具，而是 repair 的硬资产。
TBar / template APR 模板式修复	从常见 bug-fix pattern 里套模板生成补丁。	在 Defects4J 等 benchmark 上建立了强传统 baseline。	模板覆盖有限，但很难被弱 LLM baseline 轻松打败；适合作为 related work 中的传统强线。
AlphaRepair / CodeBERT-style repair 预训练模型 repair	用代码预训练模型做补丁生成或 token 替换。	把 neural code model 引入 repair，连接传统 APR 与 LLM。	上下文窗口、真实编译反馈和多文件理解较弱；现在常作为 LLM repair 的前史。
SRepair function-level LLM repair	把 repair scope 放到 function level，让 LLM 在更完整的局部语义中修。	重要推进是反驳“必须先精确到 statement 才能修”的直觉；function scope 可能更适合 LLM。	难点是 scope 公平性：给 function 比给 top statement 信息更多，实验必须控制上下文长度和候选预算。
RepairAgent agentic LLM repair	LLM 不只输出补丁，还能查文件、定位、改代码、运行测试并迭代。	推进到 autonomous repair loop，baseline 心智从 prompt 变成 agent workflow。	难点是可复现和预算公平：agent 每多看一个文件、多跑一次测试，都是额外信息。
DebugRepair self-directed debugging + runtime evidence	把 runtime/debugging evidence 纳入 LLM 修复循环。	说明运行时证据、自主 debugging 和 test feedback 是 2025--2026 的强方向。	难点是 evidence 不能泄漏 patch 或 gold fault；必须压缩成 patch-free、可复现、固定格式。
SWE-bench / SWE-agent line issue-level agentic repair	在真实 GitHub issue、仓库、多文件环境中让 agent 修 bug。	把 repair 从 benchmark function/method 推到真实工程任务。	成本和噪声很高，不适合第一篇从 FL/TCP 转 repair 的主实验；适合作为后续外部有效性。

今年最重要的变化

从 patch generator 到 repair system

强工作不再只是让模型输出 diff，而是包含定位、上下文检索、补丁生成、编译测试、失败反馈和正确性判定的一整套系统。

从 statement FL 到 scope selection

LLM 可能需要 method/function/file 级上下文。FL 的价值变成“如何限制和解释 scope”，而不是单纯给 top-1 line。

从测试通过到 correctness defense

Defects4J 全测试通过只能说明 plausible。first-tier 论文会追问 overfitting、语义等价、人工审查和额外测试。

从更多上下文到更好证据

我们的机会不是把所有 trace 都塞给模型，而是把 00/06/07/08/09 的诊断结果压成短、稳、patch-free 的 advice。

我们的切入点

Position

Diagnostic advice for LLM repair

最合适的 claim 不是“我们也做一个 repair agent”，而是：在同一 LLM、同一预算、同一 bug universe 下，诊断证据是否让 repair loop 更快、更准、更少 overfit。这里 FL/TCP/trace 背景不是包袱，是优势。