SWE-bench에서 30%를 맞는 코딩 에이전트가 있습니다. 다음 날 같은 에이전트가 비슷한 이슈에서 같은 파일을 잘못 고칩니다. 정적 에이전트의 한계입니다. Nanjing University of Science and Technology의 2026년 8월 설문은 이 문제를 “자기 진화하는 코딩 에이전트(Self-Evolving Coding Agents)“라는 프레임으로 정리했습니다.
왜 코딩 에이전트인가
소프트웨어 엔지니어링은 자기 진화가 가장 잘 작동하는 환경입니다. 일반 에이전트 환경과 달리 피드백이 실행 가능합니다. 테스트, 컴파일러, 런타임, CI 로그가 “맞다/틀리다”를 확정해 줍니다. 이 피드백을 다음 태스크의 개선 신호로 쓸 수 있습니다.
객체 중심 분류법 — 무엇이 진화하는가
논문의 핵심 기여는 진화 대상을 5가지로 나눈 것입니다.
1. 프레임워크 진화
에이전트 하네스 코드 자체를 수정합니다. Self-SWE-Agent는 자신의 구현을 수정하고 검증하고, CodingAgentEvo는 코딩 에이전트 변형을 유지하며 진화시킵니다. 프레임워크가 모든 후속 행동에 영향을 주기 때문에 위험도가 가장 높습니다.
2. 메모리 진화
SWE-Exp는 이슈 해결 궤적(성공/실패 모두)을 경험 은행에 저장합니다. 리포지토리 메모리는 커밋 히스토리와 함수 변경 이력을 축적합니다. EvoRepair는 취약점 수리 경험을 도메인 특화 메모리로 관리합니다.
3. 스킬/도구 진화
CODESKILL은 코딩 궤적에서 태스크 수준 스킬과 이벤트 구동 스킬을 추출합니다. gskill은 리포지토리별 아키텍처, 관례, 테스트 절차를 설명하는 스킬 문서를 자동 학습합니다. Socratic-SWE는 해결 궤적에서 Agent Skill Registry를 증류하고, 이것이 다음 태스크 커리큘럼을 만드는 닫힌 루프를 형성합니다.
4. 모델 진화
Self-Play SWE-RL은 실제 리포지토리에 버그를 만들고 수리하면서 솔버를 개선합니다. Agent-RLVR은 궤적과 환경 보상으로 정책을 업데이트합니다. CURE와 ZeroCoder는 코더와 테스터를 함께 훈련합니다. 일반 포스트트레이닝과의 경계는 학습 신호가 에이전트 자신의 코딩 시도에서 닫혀 있느냐입니다.
5. 워크플로우/토폴로지 진화
SEMAG는 태스크 난이도에 따라 계획·코딩·디버깅 구조를 바꿉니다. EvoMAC은 멀티에이전트 네트워크의 연결을 업데이트합니다.
그림 1. 자기 진화하는 코딩 에이전트의 전체 구조. 출처: Zhou et al., 2026.
진화의 시점과 증거
세 가지 시점이 있습니다. 태스크 수행 중(online), 태스크 완료 후(post-task), 스테이지별(stage-wise). 증거는 결과(테스트 통과), 환경(컴파일러/런타임), 궤적 파생(액션 패턴) 세 출처입니다.
그림 2. 진화 객체별 분류 체계. 출처: Zhou et al., 2026.
과제
피드백 신뢰성(통과하는 테스트가 정답을 보장하지 않음), 벤치마크 오버핏, 안전, 비용, 유지보수성이 미해결 문제입니다.
표 2. 대표 시스템의 분류 매핑. 출처: Zhou et al., 2026.
결론
코딩 에이전트 자기진화는 소프트웨어 엔지니어링의 실행 가능한 피드백을 영구적인 개선 신호로 바꾸는 연구 방향입니다. 5가지 통로(프레임워크, 메모리, 스킬, 모델, 워크플로우)가 각각 발전하고 있고, 각각의 실패 모드가 있습니다. 논문의 GitHub 논문 목록은 이 방향의 연구를 시작할 때 유용한 출발점입니다.