Resumo Técnico: Seleção de Topologia Condicionada à Recuperação com Conservação de Orçamento Provável para Geração de Código Multi-Agente

Declaração do Problema

Sistemas de Modelos de Linguagem de Grande Porte (LLM) multi-agente para geração de código enfrentam um desafio fundamental de roteamento: determinar a topologia de orquestração ótima (por exemplo, monolítica, especialista único, pipeline/enxame ou pesada em recuperação) com base na complexidade estrutural do código sendo modificado. Sistemas existentes selecionam topologias tipicamente usando características de consulta de superfície (por exemplo, classificadores regex) ou grafos de dependência de tarefas sem consultar a estrutura real da base de código. Isso leva a "roteamento incorreto", onde edições simples são roteadas através de pipelines complexos ou vice-versa, incorrendo em penalidades de eficiência desnecessárias. Além disso, embora existam álgebras de recursos formais para gerenciar orçamentos de agentes, elas frequentemente carecem de integração com a seleção dinâmica de topologia, e garantias de recursos são frequentemente aplicadas apenas em tempo de execução, e não estaticamente.

Metodologia: CODE-AGENT e RGAO

O artigo apresenta o CODE-AGENT, um framework multi-agente centrado na Orquestração Adaptativa Guiada por Recuperação (RGAO). O sistema opera através de um laço fechado onde sinais de recuperação informam diretamente decisões de orquestração, acoplado a uma álgebra de orçamento formal que garante a conservação de recursos.

1. Recuperação Hierárquica de Código e Extração de Complexidade

Antes do roteamento, o sistema realiza uma passagem de recuperação sobre um índice de árvore hierárquica do repositório de código (Raiz $\to$ Diretório $\to$ Arquivo $\to$ Símbolo).

• Estratégia de Recuperação: Consultas são classificadas em cinco tipos (identificador, exata, conceitual, dependência, estrutural). Consultas conceituais acionam uma estratégia de fusão multi-caminho combinando LATTICE (calibração de pontuação de caminho), KohakuRAG (reformulação de múltiplas consultas) e PageIndex (busca em feixe guiada por LLM), fundidas via Fusão de Classificação Recíproca (RRF).
• Vetor de Complexidade ($c$): A partir do subgrafo recuperado, o RGAO extrai um vetor de complexidade estrutural de cinco dimensões em tempo sub-milissegundo:
  $$c = (d_{dep}, n_f, n_s, h_t, \rho_x)$$
  Onde $d_{dep}$ é a profundidade máxima de dependência, $n_f$ é a contagem de arquivos, $n_s$ é a contagem de símbolos, $h_t$ é a profundidade da árvore e $\rho_x$ é a taxa de acoplamento entre módulos.

2. Orquestração Adaptativa Guiada por Recuperação (RGAO)

O roteador de topologia é um classificador de limiar determinístico que mapeia o vetor de complexidade $c$ e a consulta do usuário para uma das quatro topologias:

• FASTPATH: Execução monolítica para edições triviais de arquivo único.
• SUBAGENT: Contrato de especialista único para escopo moderado ($n_f \le 3$).
• MULTIAGENT: Pipeline linear ou enxame paralelo para tarefas complexas de múltiplos arquivos ($n_f > 3$).
• DEEPRESEARCH: Execução multi-estágio, pesada em recuperação, para consultas ambíguas.

3. Álgebra de Orçamento Formal e Verificação Estática

Sub-agentes são governados por contratos formais $\langle I, C, T, M \rangle$, onde $C$ inclui um vetor de orçamento de seis dimensões (iterações, chamadas, tokens, segundos, retries, transferências).

• Teorema de Conservação de Orçamento (Teorema 1): O artigo prova que, sob suposições específicas (custos de ferramentas determinísticos, profundidade de recuperação limitada, espaço de ação finito), o consumo total de recursos de uma floresta de delegação é limitado pelo orçamento da raiz.
• Verificação Estática: Um algoritmo VERIFYCONSERVATION verifica a álgebra de orçamento em tempo $O(|V| + |E|)$ antes de qualquer chamada de LLM ser feita. Ele garante que a soma dos orçamentos dos filhos mais os custos diretos não exceda o orçamento do pai, prevenindo estouro de recursos estaticamente e não reativamente.

4. Camada de Execução

O sistema utiliza um SwarmSupervisor para construir um Grafo Acíclico Direcionado (DAG) de tarefas. Ele aplica um protocolo de pré-execução de três portas (existência de contrato, viabilidade de orçamento, integridade de transferência) e usa objetos tipados SwarmArtifact para comunicação inter-agente, reduzindo a sobrecarga de coordenação de $O(n^2)$ para $O(k)$.

Contribuições Principais

1. Roteador de Topologia Condicionado à Complexidade: Um roteador que mapeia sinais de estrutura de código derivados de recuperação para decisões de orquestração, reduzindo significativamente as taxas de roteamento incorreto em comparação com bases de referência baseadas em regex.
2. Conservação de Orçamento Provável: Um teorema de indução estrutural (Teorema 1) garantindo que a delegação hierárquica de contratos nunca exceda os limites do pai, verificado estaticamente em tempo linear em relação ao tamanho do DAG.
3. Motor de Recuperação Hierárquico: Uma combinação inovadora de LATTICE, KohakuRAG e expansão de dependência estilo RepoGraph sobre um índice estruturado em árvore, usado especificamente como sinal de roteamento.
4. Composição do Sistema: A integração de roteamento condicionado à recuperação com verificação estática de orçamento, uma propriedade que nenhum dos componentes admite sozinho.

Resultados Empíricos

A avaliação foi conduzida usando um harness proxy (evals/swebench_proxy.py) para abstrair interações em sandbox, com execuções completas do SWE-bench adiadas para uma passagem de acompanhamento devido a preocupações de contaminação e restrições de recursos.

• Precisão de Roteamento: Em um conjunto de dados rotulado de 250 instâncias, o RGAO reduziu o roteamento incorreto de 30,1% (base de referência regex) para 8,2% (IC 95% de Wilson [6,1, 10,9]), uma melhoria estatisticamente significativa (McNemar pareado, $p < 10^{-6}$).
• Sobrecarga de Desempenho:
  • Construção do DAG: Sub-milissegundo (< 0,01 ms).
  • Construção do índice de árvore (200 arquivos, 2.002 nós): 11,1 ms.
  • Instanciação da fábrica de contratos: ~1,1 $\mu$s.
  • Sobrecarga de verificação de orçamento: ~0,65 $\mu$s.
• Correção do Pipeline: O sistema completou 100% de cinco pipelines compostos multi-agente (incluindo cenários de recuperação de intervenção) com um custo médio de tokens de ~6.000 tokens por pipeline.
• Benchmarks Proxy: O CODE-AGENT resolveu 40% de um conjunto sintético do SWE-bench em pass@1, demonstrando eficiência em comparação com agentes monolíticos sem restrições (redução de 8 a 20 vezes em tokens).

Significado e Alegações

O artigo afirma que seu significado principal reside na composição de duas linhas de pesquisa anteriormente separadas: roteamento de LLM condicionado à complexidade e álgebras de recursos formais.

• Novidade: Nem o roteamento condicionado à complexidade nem a álgebra de orçamento formal sozinhos produzem a propriedade de "conservação de orçamento provável sob seleção de topologia dinâmica condicionada à recuperação".
• Segurança e Eficiência: O mecanismo de verificação estática permite que o sistema rejeite configurações inviáveis antes da execução, limitando o "raio de explosão" de erros de agentes e reduzindo a barreira de custo para geração de código autônoma em ambientes com recursos limitados.
• Interpretabilidade: Diferentemente de políticas de roteamento aprendidas, o roteador RGAO usa limiares interpretáveis e ajustados manualmente baseados em sinais estruturais, alinhando-se à narrativa de segurança baseada em contratos.

Os autores reconhecem limitações, incluindo a dependência de suposições de custos determinísticos para o teorema estrito de conservação (embora limites esperados sejam fornecidos para custos estocásticos) e o uso atual de limiares ajustados manualmente em vez de um sucessor aprendido. Eles observam que a vantagem de roteamento se estreita sob deslocamentos de distribuição (por exemplo, linguagens não familiares) onde a gramática tree-sitter pode degradar o vetor de complexidade.