通过 Agentic 大语言模型 进行语义感知和自我改进程序缩减

将错误触发程序减少到最小的基本形式是调试语言处理器（例如编译器和解释器）的一项基本任务。现有的归约技术受到限制，因为它们依赖于预定义的语法驱动的转换，而这些转换缺乏对目标程序的语义理解，并且无法从过去的归约经验中学习。我们提出了一种新方法，将程序简化重塑为由代理 大语言模型 (LLM) 提供支持的自主推理任务。我们的方法不是应用固定的转换规则，而是使 LLM 能够分析程序语义，制定简化假设，并根据执行结果迭代地完善其方法。成功的减少经验被进一步提炼成可重复使用的策略，使系统能够随着时间的推移不断改进。我们在 PROJ 中实现了这种方法，PROJ 是一个围绕两个协作组件构建的框架：执行语义感知、特定于案例的程序缩减的缩减器代理，以及提取和积累可转移缩减知识的反射器代理。对跨越三种编程语言的 90 个基准进行的广泛实验表明，PROJ 始终能够生成比所有现有最先进的减速器更小的缩减程序，同时保持高效率。