RepoTrace：用需求-代码对应改善多轮代码智能体表现

论文分析了 EvoCode-Bench 中 2656 条智能体轨迹，发现需求焦点错位是多轮交互中的常见失败模式，智能体难以区分需求的主要修改目标和无关代码。作者提出 RepoTrace，一个需求驱动的仓库理解框架，将仓库结构与需求语义结合构建需求-代码对应关系，并注入智能体上下文。实验显示该方法在不同模型和框架上提升平均每轮奖励（MPR），其中 GLM-5.2 提升 19.99，Claude Code 提升 10.22。在 Terminus-2 搭配 DeepSeek-V4-Pro 上，平均每轮奖励从 0.163 提升到 0.371，平均回归错误减少 56.78%。源码和智能体轨迹已开源发布。