Hashmath Shaik

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。

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。