Retrieval-Conditioned Topology Selection with Provable Budget Conservation for Multi-Agent Code Generation
本文介绍了检索引导的自适应编排（RGAO），这是一个多智能体框架，它根据从分层代码索引中提取的结构复杂度动态选择代码生成拓扑结构，从而通过新颖地整合复杂度条件路由与形式化资源代数来实现可证明的预算节约。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你是由一群技能高超但费用极其昂贵的 AI 助手组成的团队的管理者。你的目标是为一个庞大的软件项目修复错误或编写新代码。
当前 AI 团队的问题在于，它们对工作量的大小一无所知。
- 如果你让它们在单个文件中修复一个拼写错误，它们可能会派遣整个“特警队”，带着起重机、推土机和拆迁队出动。这是对时间和金钱的浪费。
- 如果你让她们重建整个城市的电网（涉及多个文件的复杂变更），她们可能只会派一个拿着螺丝刀的人。这将导致失败。
本文介绍了一个名为CODE-AGENT的新系统，其中包含一位名为RGAO的特殊管理者。以下是其工作原理，使用简单的类比说明：
1. “侦察兵”先于“施工队”（检索引导的路由）
在旧系统中，管理者仅根据你输入的文字来决定派遣谁。如果你说“修复登录功能”，他们会假设这是一项大工程。
RGAO改变了游戏规则。在派遣任何人之前，它会先派出一名侦察兵去查看实际代码。
- 侦察兵会攀爬代码结构（像一棵树），并测量诸如：“根有多深？”“有多少分支纠缠在一起？”“这会影响到多少不同的模块？”
- 基于这份结构地图，管理者会选择正确的团队：
- FASTPATH（快速路径）： 微小的拼写错误？派一个人立即修复。
- SUBAGENT（子代理）： 小功能？派一名专家。
- MULTIAGENT（多代理）： 大变更？派遣一个专家流水线协同工作。
- DEEPRESEARCH（深度研究）： 模糊不清的请求？派一个团队先进行深入研究。
结果： 论文声称，这种“侦察兵”方法将错误的团队分配数量从30% 降低到了 8%。这就像将军在决定是派遣狙击手还是整支军队之前，先查看地图一样。
2. “不可打破的预算”（可证明的预算守恒）
AI 代理很昂贵；它们消耗“令牌”（就像燃料）和时间。如果一个代理陷入循环或失控，它可能在几秒钟内烧光你的全部预算。
作者创建了一个数学安全网。
- 把主要管理者想象成一位拥有100 美元零花钱的家长。
- 当家长派一个孩子（子代理）去执行任务时，他们会给孩子一笔严格的零花钱（例如 10 美元）。
- 该系统拥有一个数学证明（定理 1），指出：“无论你派出了多少孩子，或者他们尝试了多少次，整个家庭花费的总金额将永远不会超过家长最初的 100 美元。”
为何这很特别： 大多数系统是在工作进行中检查预算（如果预算耗尽，就为时已晚）。而该系统在任何人开始工作之前就检查数学计算。如果计划看起来需要花费 110 美元，系统会在花费一分钱之前就说“不行，取消这个计划”。
3. “流水线”（架构）
该系统分层运作：
- 侦察兵： 读取代码树并测量复杂度。
- 调度员： 利用测量结果选择正确的团队规模。
- 会计： 检查数学计算，确保团队不会超支。
- 工人： 实际的 AI 代理执行编码任务，彼此高效地传递信息，而不会互相大声喊叫（这节省了时间）。
核心结论
论文声称，这种组合——首先查看代码结构并从数学上保证你不会超支——创造了一个在派遣谁以及花费多少方面更加明智的系统。
论文中的重要说明：
作者诚实地指出了局限性。他们在一个“代理”（模拟环境）上测试了该系统，因为目前运行完整的现实世界测试成本太高且风险太大。他们还承认，如果代码使用其“侦察兵”尚不熟悉的语言编写（例如 Rust，他们仍在研究中），系统的敏锐度就不够高。但在他们进行的测试中，其效果显著优于旧的“基于关键词猜测”的方法。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。