SWE-Review — 에이전틱 코드 리뷰로 이슈 해결 루프 완성

AI 코딩 에이전트가 자동으로 PR을 생성하는 상황에서 단일 제안만으로는 문제 근본 원인을 확인하기 어렵고 잘못된 병합으로 이어질 위험이 있다. SWE-Review는 리뷰를 에이전틱(agentic) 프로세스로 재구성해 리뷰어가 저장소를 직접 탐색하고 증거를 수집한 뒤 승인 여부와 구체적 수정을 제시하도록 설계했다. 이 방식은 단일턴(diff 기반) 판정이 놓치기 쉬운 비지역적 결함을 잡아내고, 이후의 반복적 수정 절차에서 해결률을 의미 있게 끌어올렸다.

문제 출발점은 AI가 생성한 PR이 표면적으로는 적절해 보여도 수정이 잘못된 위치를 건드리거나 근본 원인을 남긴 채 증상만 완화하는 사례가 잦다는 점이다. 단일턴(diff 중심) 판정은 미리 고정된 컨텍스트에 의존하기 때문에 호출 체인 추적, 관련 구현 비교, 테스트 실행 같은 추가 증거가 필요할 때 판단 오류가 발생하기 쉽다. 이 한계는 특히 부분적·비지역적 수정이 많은 약한 PR 생성기에서 두드러졌다. 이 논문은 리뷰를 단순한 문장 생성이 아니라 증거 수집과 실행 가능한 진단을 만드는 에이전틱 에이전트 행위로 재정의해 이 문제를 해결했다.

전체 접근 방식은 후보 PR과 이슈, 저장소 체크아웃을 입력으로 받아 리뷰어가 파일 탐색·검색·코드 실행·의존성 추적 등을 통해 증거를 수집하고 최종적으로 이진 결정과 구조화된 진단을 출력하도록 구성되었다. 평가 파이프라인은 결정의 정확성(Decision Accuracy)과 리뷰 후 자동화된 표준화된 수정 절차를 거친 최종 해결률(Resolve Rate after Revision)을 중심으로 설계되어 리뷰의 운영적 유효성을 측정할 수 있게 했다. SWE-Review-Bench는 500개 이슈와 1,384개 후보 PR을 포함하고, SWE-Review-Traj는 결정-정확 궤적 8,914개를 제공해 학습 및 검증 데이터를 분리했다.

에이전틱 리뷰는 반복적 생성-리뷰-수정 루프에서 후보 PR의 최종 해결률을 크게 끌어올렸다. 구체적으로 Qwen3-30B-A3B의 해결률은 베이스 27.5%에서 에이전틱 루프 적용 후 56.9%로 상승했고 Qwen3-Coder-30B-A3B는 50.9%에서 68.8%로, GLM-5는 72.2%에서 75.4%로 개선되었다. 단일턴(diff-only 또는 diff+context) 대비 에이전틱 리뷰는 Decision Accuracy와 RRR 모두에서 우위를 보였고, 난이도가 높을수록 이득 폭이 커지는 경향이 관찰되었다.

아키텍처는 리뷰어를 에이전틱 에이전트로 설계해 리포지토리 탐색 행동(파일 열람, 검색, 실행)과 증거-기반 판단을 순차적으로 수행하도록 구성했다. 리뷰 리포트는 이진 결정 필드와 진단 필드로 구성되며, 진단은 결함 위치, 증거 인용, 제안 수정안을 포함하도록 규격화되어 있다. 학습 측면에서는 OpenHands-SDK로 수집한 교사 궤적에서 결정-정확 트레이닝 데이터를 걸러 SWE-Review-Traj를 만들고 이를 SFT로 소형·중형 모델에 교육해 Completion Rate와 Decision Accuracy를 향상시켰다.

연구는 AI가 생성한 이슈 해결용 PR에 초점을 맞추었으며 기능적 변경, 리팩터링, 문서 작업, 아키텍처 변경 등 광범위한 PR 유형으로 일반화되지 않았다. 평가 지표는 DA와 RRR 같은 기능적 해결 여부에 집중되어 코드 스타일·유지보수성·보안·성능 같은 비기능적 품질 척도는 포함하지 않았다. 비교 실험은 특정 저장소 집합, 모델 계열, 프롬프트 템플릿, OpenHands-SDK 스캐폴드에 한정되어 있는 점이 명시적 한계로 기술되어 있다.