RAGas：面向智能合约的持续知识集成检索增强Gas优化

摘要

以太坊如今已成为金融、医疗和供应链管理等关键任务领域的组成部分。执行费用（通常称为Gas）随函数的计算复杂度增长。以太坊上的智能合约会产生名为Gas的执行费用，费用随计算复杂度增加。因此，在保持功能等价的前提下优化Gas密集型代码能显著降低部署成本。目前尚无系统持续利用不断演变的Gas使用模式。我们系统分析了驱动过度Gas消耗的句法与语义构造，得到六大高层类别，涵盖十二种细粒度反模式，并据此构建了一个精选知识库。我们用RAGas将这些洞见落地：一个三阶段检索增强生成框架，使用大语言模型定位并自动修复Gas低效问题。在已部署合约上的实验表明，RAGas最多可将Gas消耗降低11%，并在检测存在Gas浪费的代码片段方面达到高精确率与高召回率。

RAGas：面向智能合约的持续知识集成检索增强Gas优化：论文配图 — 图1：RAGas 的简要架构：采用三阶段设计，阶段1执行初始的基于 LLM 的逻辑推理，输出潜在 HGC 模式列表；阶段2更新知识库，解决传统 RAG 系统固有的延迟问题；阶段3进行最终的由 LLM 驱动的逻辑推理与知识库匹配。