Resumen Técnico: Selección de Topología Condicionada por Recuperación con Conservación Presupuestaria Demostrable para la Generación de Código Multi-Agente

Declaración del Problema

Los sistemas de Modelos de Lenguaje Grandes (LLM) multi-agente para la generación de código enfrentan un desafío fundamental de enrutamiento: determinar la topología de orquestación óptima (por ejemplo, monolítica, de especialista único, en pipeline/enjambre, o intensiva en recuperación) basándose en la complejidad estructural del código que se va a modificar. Los sistemas existentes suelen seleccionar topologías utilizando características superficiales de la consulta (por ejemplo, clasificadores regex) o grafos de dependencias de tareas sin consultar la estructura real de la base de código. Esto conduce a un "mal enrutamiento", donde ediciones simples se dirigen a través de pipelines complejos o viceversa, incurriendo en penalizaciones innecesarias de eficiencia. Además, aunque existen álgebras de recursos formales para gestionar los presupuestos de los agentes, a menudo carecen de integración con la selección dinámica de topologías, y las garantías de recursos se hacen cumplir frecuentemente solo en tiempo de ejecución en lugar de estáticamente.

Metodología: CODE-AGENT y RGAO

El artículo introduce CODE-AGENT, un marco multi-agente centrado en la Orquestación Adaptativa Guiada por Recuperación (RGAO). El sistema opera a través de un bucle cerrado donde las señales de recuperación informan directamente las decisiones de orquestación, acopladas a un álgebra de presupuesto formal que garantiza la conservación de recursos.

1. Recuperación Jerárquica de Código y Extracción de Complejidad

Antes del enrutamiento, el sistema realiza un paso de recuperación sobre un índice de árbol jerárquico del repositorio de código (Raíz $\to$ Directorio $\to$ Archivo $\to$ Símbolo).

• Estrategia de Recuperación: Las consultas se clasifican en cinco tipos (identificador, exacta, conceptual, dependencia, estructural). Las consultas conceptuales activan una estrategia de fusión de múltiples caminos que combina LATTICE (calibración de puntuación de camino), KohakuRAG (reformulación de consultas múltiples) y PageIndex (búsqueda en haz guiada por LLM), fusionadas mediante Fusión de Rangos Recíprocos (RRF).
• Vector de Complejidad ($c$): A partir del subgrafo recuperado, RGAO extrae un vector de complejidad estructural de cinco dimensiones en tiempo submilisegundo:
  $$c = (d_{dep}, n_f, n_s, h_t, \rho_x)$$
  Donde $d_{dep}$ es la profundidad máxima de dependencias, $n_f$ es la cantidad de archivos, $n_s$ es la cantidad de símbolos, $h_t$ es la profundidad del árbol y $\rho_x$ es la relación de acoplamiento entre módulos.

2. Orquestación Adaptativa Guiada por Recuperación (RGAO)

El enrutador de topología es un clasificador umbral determinista que mapea el vector de complejidad $c$ y la consulta del usuario a una de cuatro topologías:

• FASTPATH: Ejecución monolítica para ediciones triviales de un solo archivo.
• SUBAGENT: Contrato de especialista único para alcance moderado ($n_f \le 3$).
• MULTIAGENT: Pipeline lineal o enjambre paralelo para tareas complejas de múltiples archivos ($n_f > 3$).
• DEEPRESEARCH: Ejecución multi-etapa e intensiva en recuperación para consultas ambiguas.

3. Álgebra de Presupuesto Formal y Verificación Estática

Los sub-agentes se rigen por contratos formales $\langle I, C, T, M \rangle$, donde $C$ incluye un vector de presupuesto de seis dimensiones (iteraciones, llamadas, tokens, segundos, reintentos, transferencias).

• Teorema de Conservación de Presupuesto (Teorema 1): El artículo demuestra que, bajo supuestos específicos (costos de herramientas deterministas, profundidad de recuperación acotada, espacio de acciones finito), el consumo total de recursos de un bosque de delegación está acotado por el presupuesto raíz.
• Verificación Estática: Un algoritmo VERIFYCONSERVATION verifica el álgebra de presupuesto en tiempo $O(|V| + |E|)$ antes de realizar cualquier llamada al LLM. Garantiza que la suma de los presupuestos de los hijos más los costos directos no exceda el presupuesto del padre, evitando desbordamientos de recursos de manera estática en lugar de reactiva.

4. Capa de Ejecución

El sistema utiliza un SwarmSupervisor para construir un Grafo Acíclico Dirigido (DAG) de tareas. Hace cumplir un protocolo de pre-ejecución de tres puertas (existencia de contrato, viabilidad del presupuesto, integridad de la transferencia) y utiliza objetos SwarmArtifact tipados para la comunicación entre agentes, reduciendo la sobrecarga de coordinación de $O(n^2)$ a $O(k)$.

Contribuciones Clave

1. Enrutador de Topología Condicionado por Complejidad: Un enrutador que mapea señales de estructura de código derivadas de la recuperación a decisiones de orquestación, reduciendo significativamente las tasas de mal enrutamiento en comparación con las líneas base basadas en regex.
2. Conservación Presupuestaria Demostrable: Un teorema de inducción estructural (Teorema 1) que asegura que la delegación de contratos jerárquicos nunca exceda los límites del padre, verificado estáticamente en tiempo lineal relativo al tamaño del DAG.
3. Motor de Recuperación Jerárquico: Una combinación novedosa de LATTICE, KohakuRAG y expansión de dependencias estilo RepoGraph sobre un índice estructurado en árbol, utilizado específicamente como señal de enrutamiento.
4. Composición del Sistema: La integración del enrutamiento condicionado por recuperación con la verificación estática del presupuesto, una propiedad que ninguno de los componentes admite por sí solo.

Resultados Empíricos

La evaluación se realizó utilizando un entorno de prueba proxy (evals/swebench_proxy.py) para abstraer interacciones en entornos aislados, con las ejecuciones completas de SWE-bench pospuestas para una fase posterior debido a preocupaciones de contaminación y restricciones de recursos.

• Precisión de Enrutamiento: En un conjunto de datos etiquetado de 250 instancias, RGAO redujo el mal enrutamiento del 30.1% (línea base regex) al 8.2% (IC del 95% de Wilson [6.1, 10.9]), una mejora estadísticamente significativa (McNemar emparejado, $p < 10^{-6}$).
• Sobrecarga de Rendimiento:
  • Construcción del DAG: Submilisegundo (< 0.01 ms).
  • Construcción del índice de árbol (200 archivos, 2,002 nodos): 11.1 ms.
  • Instanciación de la fábrica de contratos: ~1.1 $\mu$s.
  • Sobrecarga de verificación de presupuesto: ~0.65 $\mu$s.
• Correctitud del Pipeline: El sistema completó el 100% de cinco pipelines compuestos multi-agente (incluyendo escenarios de recuperación de intervención) con un costo medio de tokens de ~6,000 tokens por pipeline.
• Pruebas de Referencia Proxy: CODE-AGENT resolvió el 40% de un conjunto sintético de SWE-bench en pass@1, demostrando eficiencia en comparación con agentes monolíticos sin restricciones (reducción de tokens de 8 a 20 veces).

Significado y Afirmaciones

El artículo afirma que su principal significado radica en la composición de dos líneas de investigación previamente separadas: el enrutamiento de LLM condicionado por complejidad y las álgebras de recursos formales.

• Novelty: Ni el enrutamiento condicionado por complejidad ni el álgebra de presupuesto formal por sí solos producen la propiedad de "conservación presupuestaria demostrable bajo selección de topología dinámica condicionada por recuperación".
• Seguridad y Eficiencia: El mecanismo de verificación estática permite que el sistema rechace configuraciones inviables antes de la ejecución, acotando el "radio de explosión" de los errores de los agentes y reduciendo la barrera de costos para la generación de código agencial en entornos con recursos limitados.
• Interpretabilidad: A diferencia de las políticas de enrutamiento aprendidas, el enrutador RGAO utiliza umbrales interpretables y ajustados manualmente basados en señales estructurales, alineándose con la narrativa de seguridad basada en contratos.

Los autores reconocen limitaciones, incluida la dependencia de supuestos de costos deterministas para el teorema estricto de conservación (aunque se proporcionan límites esperados para costos estocásticos) y el uso actual de umbrales ajustados manualmente en lugar de un sucesor aprendido. Señalan que la ventaja de enrutamiento se estrecha bajo cambios de distribución (por ejemplo, lenguajes no familiares) donde la gramática tree-sitter puede degradar el vector de complejidad.