ARCS：基于智能体检索增强的代码合成与迭代优化
ARCS: Agentic Retrieval-Augmented Code Synthesis with Iterative Refinement
AI总结：
ARCS提出了一种无需微调的智能体检索增强代码合成系统，通过预算化的合成-执行-修复循环和分层控制器，在HumanEval上达到87.2%的pass@1，超越现有方法，并提供了可证明的收敛保证。
摘要：
我们提出了智能体检索增强代码合成（ARCS），一种无需微调即可改进基于LLM的代码生成的系统。ARCS通过一个预算化的合成-执行-修复循环在冻结模型上运行：在生成前检索相关代码上下文，提出候选方案，针对测试执行它们，并根据执行反馈进行修复。这种生成前检索的设计减少了幻觉并加速了收敛。我们将ARCS形式化为一个状态-动作过程，具有关于终止、单调改进和有界成本的可证明保证。一个分层控制器（小/中/大）可预测地以延迟换取准确性。在HumanEval上，ARCS使用Llama-3.1-405B实现了高达87.2%的pass@1，超过了CodeAgent（82.3%），同时使用了比树搜索方法更简单的控制。在TransCoder上，它在大多数翻译对上实现了>=90%的准确率。在LANL科学语料库上，它比基线RAG提高了CodeBLEU +0.115。ARCS提供了一种实用、可复现的方法，利用现有LLM检查点实现可靠的代码合成。
英文摘要：
We present Agentic Retrieval-Augmented Code Synthesis (ARCS), a system that improves LLM-based code generation without fine-tuning. ARCS operates through a budgeted synthesize-execute-repair loop over a frozen model: it retrieves relevant code context before generation, proposes candidates, executes them against tests, and repairs based on execution feedback. This retrieval-before-generation design reduces hallucination and accelerates convergence. We formalize ARCS as a state-action process with provable guarantees on termination, monotonic improvement, and bounded cost. A tiered controller (Small/Medium/Large) trades latency for accuracy predictably. On HumanEval, ARCS achieves up to 87.2% pass@1 with Llama-3.1-405B, surpassing CodeAgent (82.3%) while using simpler control than tree-search methods. On TransCoder, it achieves >= 90% accuracy on most translation pairs. On a LANL scientific corpus, it improves CodeBLEU by +0.115 over baseline RAG. ARCS provides a practical, reproducible approach to reliable code synthesis using existing LLM checkpoints.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
