AdaptAgent：用于代码适应的多代理、领域引导推理框架

开发人员通常需要将从 LLM 生成的代码或在线论坛的代码片段改编到他们的项目中。然而，在手动过程中将它们集成到现有存储库中仍然具有挑战性。成功的集成通常需要的不仅仅是复制代码，因为用户必须在目标存储库中的指定位置生成正确的适应更改。我们将其形式化为代码适配问题：给定一个代码片段、功能意图、一个目标存储库和一个适配位置，生成一个补丁，将代码片段适配到存储库中。我们提出了 AdaptAgent，一个用于代码适应的多代理、领域引导推理框架。 AdaptAgent 不依赖单次提示，而是将适应分解为通过键入工件进行通信的专门代理：意图摘要器从 Q&A 文本中提取适应目标；策略代理从六个适应类别中导出域策略；域规划器生成自订购计划；上下文挖掘器从目标代码库中提取同级方法语义；代码适配器将计划实现为最小的统一差异，并使用基于编译器的验证器进行迭代细化。这种分工可以实现稳健的、与策略一致的调整，并支持将代码片段调整到项目中。在现实世界的数据集上，AdaptAgent 在语义正确性方面优于强大的基线，并生成反映开发人员实际适应模式的补丁。我们的消融研究显示了每个代理的必要性，特别是代码强化和异常处理的规划，以及逻辑定制的意图。