.png){kind=icon}
返回
AdaCoder: An Adaptive Planning and Multi-Agent Framework for Function-Level Code Generation
.png){kind=icon}
PRE
AI
DOI：10.1109/TSE.2025.3642621.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近期，研究人员提出了多种多智能体框架用于函数级代码生成，旨在通过根据任务描述自动生成函数级源代码来提高软件开发生产力。典型的多智能体框架由基于大型语言模型（LLM）的智能体组成，负责任务规划、代码生成、测试、调试等。研究表明，现有多智能体代码生成框架在ChatGPT上表现良好。然而，它们在其他基础LLM上的泛化能力尚未得到系统性探索。在本文中，我们报告了一项关于四种最先进的多智能体代码生成框架在12种开源LLM上的泛化能力的实证研究，这些LLM具有不同的代码生成和指令遵循能力。我们的研究揭示了现有框架在多样化基础LLM上的泛化能力不稳定。基于实证研究的发现，我们提出了AdaCoder，一种新颖的自适应规划多智能体框架，用于函数级代码生成。AdaCoder有两个阶段。第一阶段是无规划的初始代码生成步骤，使用基于LLM的编码智能体和基于脚本的测试智能体，以释放LLM的原始能力，识别LLM能力之外的案例，并确定阻碍执行的错误。第二阶段添加了基于规则的调试智能体和基于LLM的规划智能体，用于带规划的迭代代码生成。我们的评估表明，AdaCoder在多样化的LLM上实现了更高的泛化能力。与最佳基线MapCoder相比，AdaCoder在Pass@1上平均高出27.69%，推理速度快16倍，令牌消耗低12倍。
Keyword:
Large language model
function-level code generation
multi-agent framework
期刊
IF:
5.6
论文数:
2.9K
被引数:
1.1W
机构
引用论文
.png){kind=icon}
INTERVENOR: Prompting the Coding Ability of Large Language Models with the Interactive Chain of Repair干预者：通过交互式修复链提示大型语言模型的编码能力
PREAI
分享收藏
查看更多内容