摘要
大型语言模型（LLM）可以生成看似合理的后端代码，但单次生成的范式无法保证代码的正确性或运行时的可靠性。为此，我们提出了ExecuGraph，这是一个以执行验证为核心的多智能体框架，用于后端代码合成。
该框架由六个专业智能体（计划者、代码生成器、逻辑审查者、评估者、优化器和解释者）组成，这些智能体通过一个有类型的有向工作流进行协调，并设定了有限的重试预算。ExecuGraph在LangGraph上实现，使用本地托管模型（Ollama）和可选的检索层以回忆算法技术。每次评估都在一个子进程隔离的沙箱中进行，并设定了墙钟超时。
我们在一个策划的30题数据结构与算法（DSA）套件（internal-30）、HumanEval（n=64）和一个APPS入门子集上进行了评估，将ExecuGraph与单智能体一次性基线和单智能体执行重试基线进行对比（一种Reflexion风格的消融实验，隔离多智能体分解的贡献）。
在internal-30上，三种条件的统计差异不显著（n=30；配对Wilcoxon p=0.59 MF vs. SO, p=0.08 SR vs. SO）；95%的自助法置信区间在所有成对均值差异中均包含零。在HumanEval上，多全边领先3.1个百分点。最强的信号来自跨模型：使用DeepSeekCoder V2 Lite时，图类别准确率从57.5%（一次性）提升到80.0%（多全），增长22.5个百分点，支持了一个扩展假设：多智能体分解的价值随着基础模型能力的提升而增长。
该框架的主要贡献在于方法论：一个单一的代码库通过配置可以折叠为一次性、执行重试和每个智能体消融条件，使得每个杠杆的边际贡献能够被控制地测量。我们报告了每个智能体的消融、重试预算扫描、错误类别分类法和测试源审核。
博主点评： ExecuGraph通过多智能体协同工作提升了后端代码生成的可靠性，尤其在执行验证的基础上，展示了多智能体分解的显著优势。这种方法不仅优化了生成效果，还为未来的代码合成研究提供了新的思路与框架。