问题解决(issue solving)旨在根据问题描述生成补丁，以修复真实代码仓库中报告的问题。问题定位是准确解决问题的基础。最近，基于大型语言模型（LLM）的问题定位方法已经展示了最先进的性能。
然而，这些方法要么从问题描述中提到的文件搜索，要么在整个仓库中搜索，难以平衡搜索空间的广度和深度，从而有效地收敛到目标。此外，它们允许 LLM 自由地探索整个仓库，使得难以控制搜索方向，以防止 LLM 搜索到不正确的目标。同时，由于 LLM 可能无法正确生成与环境交互所需的格式，因此它们会遇到搜索失败的问题。
本文介绍了一种基于 LLM 驱动的强大函数级问题定位方法 IGSIL，无需训练或索引。为了平衡搜索的广度和深度，IGSIL 采用了一种两阶段代码图搜索策略。它首先使用动态构建的模块调用图在文件级别进行广泛的探索，然后通过将模块调用图扩展为函数调用图并执行迭代搜索，在函数级别执行深入的分析。为了精确地控制搜索方向，IGSIL 设计了一个剪枝器来过滤不相关的方向和不相关的上下文。为了避免长上下文中出现不正确的交互格式，IGSIL 引入了一种反射机制，该机制使用短上下文中额外的独立查询来增强格式化能力。实验结果表明，使用 Qwen2.5-Coder-32B，IGSIL 在 SWE-bench Lite 和 SWE-bench Verified 上分别实现了 43.3% 和 44.6% 的 Top-1 定位准确率，平均优于最先进的方法 96.04%。当 IGSIL 集成到问题解决方法 Agentless 中时，问题解决率提高了 2.98%–30.5%。