Code2UML：具有上下文工程的 Agentic LLM，用于可扩展的软件可视化

采用基于大语言模型（LLM）的代码分析工具来自动化软件文档任务。然而，这些方法对实际代码库的可扩展性（其中中间表示（IR）超过 LLM 上下文限制）仍未得到充分探索。本文介绍了一种具有上下文工程的代理架构，用于从源代码存储库自动生成 UML 图。它采用五个专门代理的层次结构：PlannerAgent、AnalyzerAgent、DiagramAgent、CorretorAgent 和 DependencyAnalyzerAgent，基于 Claude Agent SDK 构建，每个代理处理不同的认知子任务。确定性、重要性加权的 IR 压缩层将完整的项目 IR 转换为特定于图表的视图，保证符合词元约束，无需 LLM 调用并在几毫秒内完成。因此，我们使用 4 种编程语言（Java、JavaScript、PHP、Python）和 7 种 UML 图类型跨 12 个开源存储库评估系统，产生了根据 5 个自动化指标评估的 84 个观察结果。结果表明，语法有效性高（平均值：91.5%，组件图和部署图达到 100%）、关系精度高（平均值：0.858）和结构质量一致（平均值：81.7/100，跨语言方差为 3.1 分）。实体召回率平均为 0.313，反映出深思熟虑的架构优先级高于详尽的覆盖范围。敏感性分析（31 至 4,578 个 IR 实体）证实，无论规模如何，质量得分都保持稳定。