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”实践中代码适配的核心问题——代码连接（code wiring）（即替换粘贴代码中未解析的变量为本地上下文的合适变量），提出了一种基于大语言模型（LLM）的代理工具WIRL。

• 背景：软件开发中，开发者常从Stack Overflow、GitHub或LLM生成结果中复用代码，但超过85%的代码需要适配才能集成，其中变量替换是最常见的适配形式。现有方法依赖启发式规则或历史模板，未能有效利用上下文，而56.1%的适配场景依赖上下文。
• WIRL的设计：由LLM、定制工具包和编排模块（agent pilot）组成。定制工具包包括定位未解析元素、收集上下文、填充推荐的工具；编排模块负责初始化提示词、解析输出、调用工具并动态更新提示词。采用混合策略：常见模式用确定性规则，复杂场景用状态机引导的智能探索，将任务重构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：在真实代码适配场景的高质量数据集上，WIRL的精确匹配精确率达91.7%，召回率达90.0%，显著优于先进LLM（精确率高22.6个百分点，召回率高13.7个百分点）和IntelliJ IDEA（精确率高54.3个百分点，召回率高49.9个百分点），尤其在复杂变量依赖或多未解析变量场景中表现突出。

创新点

1. 方法重构：将代码连接任务重