코딩 에이전트(coding agent)는 실패하기 전까지 유의미한 진전을 보이는 경우가 많지만, 처음부터 다시 시도(retry-from-scratch)하면 그 과정에서 생성된 머신 상태가 폐기됩니다. 이로 인해 실패 복구는 흥미로운 탐색 문제가 됩니다. 즉, 중간 환경(environment) 상태가 유의미한 진전을 보존하고 있다면, 이를 복원하고 그로부터 분기하는 것이 초기 상태에서 반복적으로 재시작하는 것보다 우수한 성능을 보일 수 있습니다. 본 연구에서는 전체 Daytona 스냅샷에 대해 Go-Explore 방식의 탐색을 구현하였으며, 더 높고 효율적인 해결률은 주로 데이터베이스, 서비스 및 기타 런타임 상태와 같이 저장소 외부에 존재하는 진전에 좌우된다는 점을 발견했습니다. 실험 결과는 전체 스냅샷 탐색이 단일 diff로는 재구성할 수 없는 여러 서비스에 걸쳐 상태가 존재하는 장기적(long-horizon) 코딩 작업에서 가장 효과적임을 시사합니다.
Go-Explore와 같은 아카이브 기반 탐험 방법은 방문 희소성을 이용해 돌아갈 방문 상태를 선택하고, 프론티어 방법은 미지 영역의 경계로 돌아가지만, 두 방법 모두 경계 너머의 미탐험 영역이 실제로 진입 가능한지를 묻지 않는다. 탐험은 단순히 보상을 찾는 것이 아니라, 후속 학습과 계획을 위해 구조적으로 완전한 경험을 수집하는 것이다. 우리는 TopoExplore를 소개한다. 이 방법은 Go-Explore의 셀 선택을 주기적 위상적 처리로 보강한다: 방문 집합 점유 격자에서 폐쇄된 미탐험 영역(공허 영역)을 플러드 필(큐브 복합체의 H1 클래스)로 감지하고, 감쇠하는 선택 보너스를 오직 그 엄격한 진입 지점(틈새 또는 문 셀)에만 부여함으로써 밀폐된 영역은 목표로 삼지 않고 이미 진입된 영역은 후보에서 제외한다. 통제된 18개 환경 MiniGrid 스위트(시드 15개, 동결된 하이퍼파라미터)에서 TopoExplore는 정확한 Go-Explore 절제 실험 대비 최초 진입까지의 중앙값 스텝 수 기준으로 1.52배의 기하 평균 속도 향상을 달성했으며, 이는 프론티어 기준선의 1.37배와 비교된다. 밀폐된 미끼 구조가 등장할 때 프론티어 탐험의 성능은 저하되어 미끼 환경에서 0.83–1.48배에 그친 반면, TopoExplore는 1.65–2.11배를 기록했으며, 복잡한 다중 상호작용 문 환경에서는 가장 큰 우위(10.9배)를 보였다. Montezuma's Revenge에 대해서는 솔직한 부정적 결과를 보고한다—벽 지식 없이는 도달 불가능한 점유 아티팩트가 보너스를 잡아채어 그 규모가 커질수록 성능이 저하되며, 이는 벽 인식 진입 테스트가 핵심 구성 요소임을 시사한다—그리고 HM3D 스캔 건물에 대해서는 예비적 긍정 결과를 보고하는데, 프론티어 선택이 광범위한 커버리지를 지배하는 상황에서도 Go-Explore 대비 속도 향상이 장면 난이도를 추적한다(r=0.69). 이 증거는 의도적으로 범위를 좁힌 주장을 지지한다: 위상 인식 선택은 폐쇄 구조를 판별해야 하는 상황에서 효과를 발휘하며, 프론티어 방법이 가장 강한 개방적 커버리지 영역에서도 해당 환경에 맞게 조정되지 않았음에도 불구하고 경쟁력을 유지한다.