面向耦合语义例程生成的LLM上下文动态适配
核心概要
该工作提出“动态上下文适配”：一个由验证智能体从执行轨迹中提取结构化诊断反馈、生成智能体每轮提出多个候选、并以知识图谱提供语义约束、以模拟退火进行非贪心选择的验证—生成循环，用于缓解其称为“静态绑定”的LLM代码生成局限；在八个问题中，该方法在300与600次评估时于七个问题上优于零样本、Reflexion与OpenEvolve（p<0.01），在1000次评估时于主要动机问题（跨耦合优化）取得最佳分数（0.694 对 0.681，p=0.019，d=0.52），消融显示结构化执行反馈是主要驱动因素。
Fig. 2: Left: validation-generation pipeline. Right: SA selection with Metropolis acceptance and geometric cooling.
· 第 6 页深度剖析
提出软件组件间意义依赖的形式化分类，刻画LLM“静态绑定”局限：独立、发送方依赖接收方、接收方依赖发送方、发送方与接收方交叉相关四种情形，并给出对应关系式。 此前工作多把LLM代码生成失败归因于提示或搜索策略，该文把“一个例程的含义由另一个例程的运行时行为定义”这一关系显式形式化，并指出静态链接概念隐含假设各概念含义相互独立。 属概念与形式化贡献，以迷宫导航与跨耦合优化两个示例及图1的依赖结构说明，未涉及统计检验。
提出双智能体加知识图谱的系统架构：验证智能体执行候选并输出结构化诊断（失败模式、错失机会、约束违反），生成智能体结合当前最优候选与KG约束每轮提出k个候选，再由模拟退火选择。 相较Reflexion的单轨迹口头反思与贪心接受，该架构引入结构化诊断提取、每轮多候选生成、KG语义层与非贪心选择；相较AlphaEvolve类方法，其定位是低评估预算下的样本效率。 架构描述与表1的定性对比支撑；实验使用Qwen2.5-72B本地部署，SA参数T0=2.5、α=0.85、Tmin=0.01，每问题约333轮×3候选≈1000次评估，10个随机种子。
给出样本效率的经验证据：在300与600次评估时，该方法在八个问题中的七个上优于OpenEvolve（均p<0.01），与基于种群的搜索的经验交叉点约在600–800次评估。 把“反馈驱动早期收敛”与“种群式渐近探索”的权衡定位为互补关系，并给出交叉点的经验位置（圆填充约650次、迷宫约710次评估）。 表3与图4给出300/600/1000次评估的均值±标准差，10个种子，配对Wilcoxon符号秩检验；函数最小化为例外（300次时p=0.284）。
消融显示结构化执行反馈是最大单一贡献，其次为SA选择与KG约束：去掉反馈在四个问题上分别下降约28%（迷宫）、31%（圆填充）、12%（函数最小化）、11%（跨耦合），均p<0.001且d>1.1。 把系统增益分解到反馈、选择策略与语义层三个组件，指出无反馈时生成智能体退化为接近随机候选生成。 表4在300次评估下报告四类条件的均值±标准差与效应量；SA在离散高方差问题上影响更大（迷宫−16%，p<0.001，d=0.89），KG增益中等（迷宫−15%，p=0.001，d=0.78）。
启示与展望
该结果面向正确性依赖跨组件联合执行行为的例程级代码生成，尤其适用于评估预算有限（数百次评估量级）且能提供执行轨迹与测试向量的场景；对显式耦合问题（迷宫导航、跨耦合优化）与具有潜在执行耦合的标准基准（圆填充、TSP、滤波器设计、在线评测编程、符号回归）均给出经验结果。方法以本地部署的开源权重模型运行，七个问题在20分钟内完成，便于嵌入开发者迭代周期。
验证智能体诊断的是表层症状而非反事实推理，离散动作空间中单token改动会带来较大行为变化，因此方差偏高；反馈范围受测试套件边界约束，执行日志之外的潜在缺陷不在覆盖范围内；单最优候选设计在多盆地景观上的多样性有限。交叉点位置（约600–800次评估）与各问题上的具体数值来自本文实验设置，换用其他模型、预算或问题分布时其位置可能移动，值得后续在更多模型与多跳依赖链上继续观察。