Context-Aware Code Wiring Recommendation with LLM-based Agent

文章主要内容总结

本文针对软件开发中“复制-粘贴-修改”实践中的代码适配问题，提出了一种基于大语言模型（LLM）的智能代理工具WIRL，用于实现上下文感知的代码连接（code wiring）。代码连接指将粘贴代码中未解析的变量（或元素）替换为本地上下文里的合适元素，是代码复用中最常见的适配需求。

现有方法多依赖启发式规则或历史模板，无法有效利用上下文信息，而超过56%的代码适配场景依赖上下文。WIRL通过以下方式解决该问题：

1. 核心组成：包含LLM、定制工具包（定位器、收集器、完成器）和代理引导器（agent pilot），可识别未解析元素、检索上下文并执行替换；
2. 混合策略：对常见模式采用确定性规则，对复杂场景采用状态机引导的智能探索，平衡效率与自主性；
3. 任务重构：将代码连接转化为基于检索增强生成（RAG）的填充任务，更贴合LLM的代码补全优势。

评估结果显示，WIRL在精确匹配率（91.7%）和召回率（90.0%）上显著优于先进LLM（分别高出22.6和13.7个百分点）和IntelliJ IDEA（分别高出54.3和49.9个百分点），尤其在复杂变量依赖或多未解析元素场景中表现突出。

创新点