通过基于验证的上下文工程实现全自动医学成像代码生成

大语言模型 (LLM) 在小规模和传统应用程序开发的程序生成方面表现出了相当大的前景；然而，当应用于复杂的、特定领域的任务（例如医学图像处理）时，它们仍然受到限制。通用模型缺乏明确的领域知识和强大的验证机制来确保正确性，通常需要大量的人工干预才能产生可​​靠的处理管道。为了解决这些限制，我们提出了 AutoMedImg，一个用于全自动医学图像处理代码生成的多代理框架。 AutoMedImg 跨两个阶段编排专业代理：规划阶段，通过语义和形式验证执行数据集分析和架构设计；编码阶段，与静态检查、执行测试和装配验证并行生成模块。这种多阶段验证可以减轻整个生成过程中的错误传播，而综合自动上下文工程结合了特​​定领域的知识库、共享内存和验证反馈，可以自动进行上下文构建，而无需手动提示。跨项目自适应管道合成机制进一步积累经过验证的管道，并根据项目相似性检索新任务的经过验证的组件，通过跨项目学习提高生成效率。对具有五个主干 LLM 的六个不同且完善的医学成像数据集进行的广泛评估表明，AutoMedImg 实现了零人为干预，分割任务的 Dice 分数高达 0.90，分类准确率高达 99%。