PerfAgent：Profiler 引导的迭代细化，用于存储库级代码优化

大语言模型 (LLM) 代理现在在面向正确性的存储库级任务上表现良好，包括 SWE-Bench 问题解决和实际代码库中的功能实现。然而，他们仍然在存储库级代码优化方面苦苦挣扎，这需要在提高运行时性能的同时保留行为。在这种情况下，通过测试还不够。补丁必须保留行为、实现代码优化并接近专家加速。当前的代理经常会错过隐藏在抽象层和本机扩展后面的瓶颈，在浅加速后停止，或者未充分测试代码补丁，从而可能默默地破坏边缘情况。我们推出了 PerfAgent，这是一个分析器引导的循环验证器工作流程，它为现成的 编码智能体 提供了找到真正热点所需的反馈，超越了第一个通过的补丁，并使用分析器证据而不是单独计时来决定下一步要优化的内容。在 GSO 和 SWE-fficiency-Lite 这两个具有挑战性的优化基准上，PerfAgent 的专家匹配补丁率比采用 GPT-5.1 的 OpenHands 提高了一倍多，GSO 上的专家匹配补丁率从 19.6% 提高到 39.2%，SWE-fficiency-Lite 上的专家匹配补丁率从 26% 提高到 74%。它还以显着降低的成本超越了 Oracle 五局三胜基准，这表明收益来自更好的反馈，而不是额外的测试时间采样。