CTIM-Rover는 AutoCodeRover를 기반으로 구축된 소프트웨어 엔지니어링(SE)을 위한 AI 에이전트로, 에피소딕 메모리, 특히 일반 및 저장소 수준의 교차 작업 인스턴스 메모리(CTIM)를 사용하여 에이전트 추론 프레임워크를 확장합니다. 기존의 오픈소스 SE 에이전트는 주로 ReAct, Reflexion 또는 Code-Act에 의존하지만, 이러한 추론 및 계획 프레임워크는 단일 작업 인스턴스 후 장기 메모리를 비효율적으로 버립니다. 저장소 수준의 이해는 버그 수정을 위한 패치가 필요한 모든 위치를 식별하는 데 중요하기 때문에, SE는 CTIM으로부터 특히 이점을 얻을 수 있다고 가정합니다. 이를 위해, 연구진은 경험적 학습(EL) 접근 방식인 ExpeL을 기반으로, 일반 목적 및 저장소 수준 CTIM을 생성하기 위한 전문가 혼합(MoEs)에서 영감을 받은 접근 방식을 제안합니다. 그러나 CTIM-Rover는 어떤 구성에서도 AutoCodeRover를 능가하지 못하며, 따라서 ExpeL이나 DoT-Bank가 실제 SE 문제로 확장되지 않는다는 결론을 내립니다. 분석 결과, 주의를 산만하게 하는 CTIM 항목이나 예시 경로에 의해 도입된 노이즈가 성능 저하의 원인일 가능성이 높음을 나타냅니다.
