RefAgent: A Multi-agent LLM-based Framework for Automatic Software Refactoring

Ce papier présente RefAgent, un cadre multi-agents basé sur les grands modèles de langage qui automatise le restructuration logicielle de bout en bout en surpassant les approches mono-agent et les outils traditionnels grâce à une planification dynamique, une exécution itérative et une capacité d'auto-réflexion.

L'essentiel

🏗️ Le Grand Nettoyage Automatique : L'histoire de RefAgent

Imaginez que vous possédez une immense maison (votre logiciel). Avec le temps, les pièces deviennent encombrées, les câbles électriques sont enchevêtrés, et la peinture s'écaille. C'est ce qu'on appelle la dette technique ou les "odeurs de code". Si vous ne faites rien, la maison devient difficile à vivre, coûteuse à réparer et risque de s'effondrer.

Traditionnellement, pour rénover cette maison, il fallait engager un architecte humain (le développeur) qui passait des heures à inspecter les murs, faire des plans et réparer pièce par pièce. C'est lent, cher et sujet aux erreurs.

Récemment, nous avons eu des Intelligences Artificielles (IA) très douées pour écrire du texte et du code. Mais si vous demandez à une seule IA de rénover toute la maison d'un coup, elle risque de se perdre, d'oublier des détails ou de casser une fenêtre en essayant de repeindre un mur.

C'est là qu'intervient RefAgent.

🤖 RefAgent : Une équipe de spécialistes, pas un seul génie

Au lieu de confier tout le travail à un seul robot, les auteurs de l'article ont créé RefAgent, qui fonctionne comme une équipe de chantier ultra-organisée. Imaginez une équipe de quatre experts qui travaillent ensemble, chacun avec un rôle précis, pour rénover votre maison sans jamais la démolir.

Voici comment cette équipe fonctionne :

1. L'Architecte (Le Planificateur) 📐

   • Son rôle : Il ne touche pas aux outils. Il observe la maison, mesure les murs, regarde les plans et décide : "Il faut déplacer cette cloison ici" ou "Il faut remplacer ce vieux tuyau".
   • En langage technique : Il analyse le code, regarde les dépendances (comment les pièces sont liées) et crée un plan de rénovation précis.

2. Le Maçon (Le Générateur) 🧱

   • Son rôle : C'est lui qui exécute le travail. Il prend les instructions de l'Architecte et commence à casser, déplacer et reconstruire.
   • En langage technique : Il modifie le code source selon le plan.

3. L'Inspecteur Électrique (Le Compilateur) ⚡

   • Son rôle : Dès que le Maçon a fini une étape, l'Inspecteur vérifie si l'électricité fonctionne. Si un fil est mal branché (une erreur de compilation), il crie : "Stop ! Ça ne marche pas !" et renvoie le Maçon corriger l'erreur.
   • En langage technique : Il vérifie si le code compile (s'il n'y a pas d'erreurs de syntaxe) et renvoie les messages d'erreur pour correction.

4. Le Testeur de Sécurité (Le Testeur) 🛡️

   • Son rôle : Une fois que l'électricité fonctionne, il vérifie que la maison est toujours habitable. Il fait des exercices de sécurité : "Si j'ouvre la porte, est-ce que la lumière s'allume toujours ?". Si une fonctionnalité a changé par erreur, il dit : "Non, ça ne va pas, il faut recommencer".
   • En langage technique : Il lance des tests automatiques pour s'assurer que le logiciel fait toujours la même chose qu'avant (on ne change pas le comportement, juste la structure).

🔄 Le cycle infini : "Essai, Erreur, Correction"

Ce qui rend RefAgent magique, c'est qu'il ne s'arrête pas au premier échec.

• Si le Maçon fait une erreur, l'Inspecteur le lui dit.
• Le Maçon corrige.
• Si le Testeur trouve un problème, il dit : "Attends, la porte ne s'ouvre plus !"
• Le Maçon corrige encore.

Cette boucle peut se répéter jusqu'à 20 fois pour chaque pièce de la maison jusqu'à ce que tout soit parfait. C'est comme un sculpteur qui taillerait une statue, la regarderait, la repolirait, et recommencerait jusqu'à ce qu'elle soit parfaite.

📊 Les résultats : Est-ce que ça marche ?

Les chercheurs ont testé RefAgent sur 8 grands projets informatiques (des maisons géantes). Voici ce qu'ils ont découvert :

• La maison tient debout : Dans 90 % des cas, la maison était toujours fonctionnelle après la rénovation (les tests passaient). C'est énorme, car les anciennes méthodes cassaient souvent le logiciel.
• Moins de désordre : Ils ont réussi à éliminer plus de la moitié (52,5 %) des "odeurs" (les problèmes de design) dans le code.
• Mieux qu'un seul robot : Quand ils ont comparé RefAgent (l'équipe) à un seul robot IA qui travaillait seul, l'équipe a gagné haut la main. Le robot seul faisait beaucoup plus d'erreurs et cassait souvent le code.
• Comme un humain : RefAgent a trouvé les mêmes endroits à rénover que les humains experts (les développeurs) et même mieux que certains outils automatiques anciens.

🎯 En résumé

RefAgent, c'est comme passer d'un artisan solitaire qui essaie de tout faire seul (et qui se trompe souvent) à une équipe de professionnels coordonnés.

• L'un planifie.
• L'autre construit.
• Le troisième vérifie la structure.
• Le quatrième vérifie la sécurité.

Grâce à cette collaboration, ils peuvent rénover des logiciels complexes, les rendre plus propres et plus durables, sans avoir besoin d'un humain pour surveiller chaque coup de marteau. C'est l'avenir de la maintenance informatique : automatisé, intelligent et collaboratif.

Résumé technique

1. Problématique

Les systèmes logiciels à grande échelle tendent à devenir complexes et difficiles à maintenir au fur et à mesure de leur évolution, accumulant de la dette technique et des "odeurs de code" (code smells) qui compromettent la maintenabilité et la compréhension.

• Limites des approches actuelles :
  • Le restructuration (refactoring) manuel est long, sujet aux erreurs et inefficace pour les changements étendus.
  • Les outils semi-automatiques (dans les IDE) ne supportent qu'un nombre limité de types de restructuration.
  • Les techniques entièrement automatisées basées sur la recherche (Search-Based Software Engineering) sont souvent coûteuses en calcul, modifient radicalement la conception sans garanties de préservation du comportement, et manquent de flexibilité contextuelle.
  • Les modèles de langage (LLM) traditionnels, bien que performants pour la génération de code, souffrent souvent d'illusions (hallucinations), de difficultés à maintenir la cohérence sur des tâches complexes et d'une incapacité à s'adapter dynamiquement aux retours d'erreurs (compilation, tests) sans intervention humaine.

L'objectif est de combler ce fossé en proposant une solution dynamique, contextuelle et adaptative capable non seulement de proposer des restructurations, mais aussi de coordonner des flux de travail complexes incluant la validation, la correction et l'amélioration itérative.

2. Méthodologie : Le Cadre RefAgent

RefAgent est un cadre entièrement automatisé basé sur une architecture multi-agent utilisant des LLM comme cœur cognitif. Il simule le processus séquentiel de restructuration en distribuant les tâches entre des agents spécialisés, réduisant ainsi la complexité cognitive et les risques d'erreurs.

Architecture des Agents

Le système se compose de quatre agents principaux interagissant dans une boucle de rétroaction :

1. Agent Planificateur Sensible au Contexte (Context-Aware Planner Agent) :

   • Rôle : Identifie les opportunités de restructuration et génère un plan structuré.
   • Fonctionnement : Il utilise des outils externes (jdeps pour l'analyse des dépendances, DesigniteJava pour les métriques de qualité) pour extraire le graphe de dépendances et les métriques du code (complexité cyclomatique, manque de cohésion, etc.).
   • Décision : Il ne se base pas uniquement sur la détection automatique d'odeurs de code, mais utilise les métriques pour guider le raisonnement de l'LLM et produire un plan JSON détaillé (quelles méthodes restructurer et comment).

2. Agent Générateur de Restructuration (Refactoring Generator Agent) :

   • Rôle : Exécute le plan en générant le code restructuré.
   • Fonctionnement : Il prend en entrée le code source, le plan du planificateur et le contexte des classes dépendantes. Il est capable de recevoir des retours d'erreurs (depuis les agents Compilateur ou Testeur) pour ajuster dynamiquement son prompt tout en respectant le plan initial.

3. Agent Compilateur (Compiler Agent) :

   • Rôle : Valide la syntaxe et la compilation du code généré.
   • Mécanisme : Il utilise Maven pour compiler le projet. En cas d'erreur, il analyse les logs, résume l'erreur et la renvoie à l'Agent Générateur pour correction. Cette boucle itérative peut se répéter jusqu'à 20 fois.

4. Agent Testeur (Tester Agent) :

   • Rôle : Garantit la préservation du comportement fonctionnel.
   • Mécanisme : Il récupère les tests existants via l'analyse des dépendances et utilise EvoSuite pour générer automatiquement des tests de régression si nécessaire. Il exécute les tests via Maven. En cas d'échec, il analyse les logs et demande une correction à l'Agent Générateur. Si les échecs persistent après 20 itérations, le restructuration est abandonnée pour cette classe.

Flux de Travail

Le processus est itératif : pour chaque classe cible, le système identifie les opportunités, planifie, génère, compile et teste. Si des erreurs surviennent, le système boucle jusqu'à la résolution ou l'échec maximal.

3. Contributions Clés

• Premier cadre multi-agent entièrement automatisé pour le restructuration : Contrairement aux approches monolithiques (un seul LLM), RefAgent décompose le problème en sous-tâches spécialisées (planification, génération, compilation, test), imitant le travail collaboratif des développeurs humains.
• Préservation du comportement et robustesse : Grâce aux boucles de rétroaction itératives (compilation et tests), le cadre assure que le code restructuré est syntaxiquement correct et fonctionnel, réduisant considérablement les échecs de compilation et les régressions.
• Indépendance vis-à-vis du LLM sous-jacent : Le cadre a été évalué avec trois modèles différents (GPT-4o, StarCoder2, DeepSeekCoder), démontrant que l'architecture multi-agent améliore les résultats quelle que soit la base de modèle utilisée.
• Approche "Root-canal" : Le système vise à restructurer profondément des classes faiblement structurées sans intervention humaine, en gérant la complexité des dépendances inter-classe.

4. Résultats Expérimentaux

L'évaluation a été menée sur 8 projets open-source Java (ex: JClouds, Apache Accumulo, SkyWalking) en comparant RefAgent à des approches mono-agent, à des outils basés sur la recherche (RefGen) et aux restructurations historiques des développeurs.

Performance Globale (RQ1)

• Taux de réussite des tests unitaires : Médiane de 90 % (avec GPT-4o et DeepSeekCoder), contre 85 % pour StarCoder2.
• Taux de réussite de la compilation : Médiane de 87-88 %.
• Réduction des odeurs de code : Réduction médiane de 52,5 % des odeurs de code.
• Amélioration de la qualité logicielle : Amélioration médiane de 8,6 % des attributs de qualité clés (notamment la réutilisabilité) selon le modèle QMOOD.

Comparaison avec les Baselines (RQ2)

• Alignement avec les développeurs : RefAgent atteint un score F1 médian de 79,15 % par rapport aux restructurations effectuées par les humains, montrant une forte capacité à identifier les mêmes opportunités.
• Comparaison avec les outils de recherche (RefGen) : Un score F1 médian de 72,7 %, indiquant que l'approche par agents est compétitive avec les algorithmes d'optimisation avancés.
• Qualité : RefAgent améliore la réutilisabilité, la fonctionnalité et l'efficacité plus efficacement que RefGen, bien que la compréhensibilité soit légèrement inférieure (liée à une complexité réduite mais une structure potentiellement plus dense).

Étude Ablative et Comparaison Mono-Agent (RQ3)

• Supériorité du Multi-Agent : RefAgent surpasse significativement les approches mono-agent (Pass@1 et Pass@3).
  • Amélioration du taux de réussite des tests unitaires de +64,7 % par rapport au mono-agent.
  • Amélioration du taux de réussite de la compilation de +40,1 %.
• Importance des composants : L'ablation montre que la récupération du contexte (analyse des dépendances) est cruciale : sans elle, les taux de réussite chutent drastiquement. De même, les itérations (jusqu'à 20) sont essentielles pour stabiliser les résultats et corriger les erreurs.

5. Signification et Conclusion

Signification :
Ce travail démontre que les architectures multi-agent basées sur les LLM représentent une avancée majeure pour l'automatisation du restructuration logiciel. En distribuant les responsabilités et en intégrant des boucles de validation rigoureuses (compilation, tests), RefAgent surmonte les limitations des LLM statiques (hallucinations, manque de contexte) et des outils traditionnels (rigidité, coût computationnel).

Conclusion :
RefAgent prouve qu'il est possible d'automatiser le restructuration de bout en bout tout en préservant l'intégrité fonctionnelle du code. Il offre une alternative viable et performante aux méthodes manuelles et aux approches de recherche pure. Les auteurs suggèrent que l'avenir de ce domaine réside dans l'intégration de mécanismes "Human-in-the-loop" pour valider les décisions critiques, tout en maintenant un haut niveau d'autonomie pour les tâches répétitives.

Données : Le code source, les scripts et les données sont disponibles publiquement sous licence ouverte.