REFINE：用于证据引导的代码重构的多代理 LLM 方法

大语言模型 (LLM) 为自动化代码重构提供了新的机会。然而，生成的更改必须减少目标质量问题，而不会引入新问题或更改与行为相关的代码结构。我们引入了 REFINE（使用证据感知流程进行集成ageNtic 执行的重构），这是一种与工具无关、证据感知的多代理方法，用于生成 Java 文件级重构候选者。 REFINE 结合了静态分析引导的气味识别、气味通知规划、基于 LLM 的转换、自动重新分析、保存检查和结构化报告。我们在来自 15 个开源系统的 450 个 Java 文件上评估 REFINE，使用 OpenAI GPT-5.5、Google Gemini 3.1 Pro Preview 和 Anthropic Claude Opus 4.8 生成 1,350 个模型传递输出。 REFINE 在三种配置中分别将检测到的代码异味减少了 68.26%、72.79% 和 68.49%，其中主要异味的减少幅度最大。匹配的 150 个文件直接提示基线表明，REFINE 通过较小的编辑和较少的公共方法删除实现了较高的中值代码气味减少。然而，更广泛的质量改进是不一致的，并且保存检查揭示了残余风险，包括断言/失败调用更改和公共方法删除。因此，REFINE 输出应被视为重构候选者，需要在存储库或系统级设置中采用之前进行编译、测试、依赖性分析和人工审核。