v6.213.1607.60564 IOS版
v9.877.2979 PC版
v2.232 PC版
v2.616.5599.276122 IOS版
v1.24.8229.559023 安卓免費版
v7.960 PC版
v2.242 最新版
v9.252.1356 IOS版
v9.566.1733.886160 安卓最新版
v4.739.1290.390922 IOS版
v9.717.5601.501091 IOS版
v9.187.5121.353739 最新版
v1.834.4764.527429 最新版
v6.415.8710 安卓漢化版
v7.774 安卓最新版
v7.442 IOS版
v2.589.8693 IOS版
v3.746 IOS版
v6.390.9921.23771 IOS版
v2.184.760 安卓版
v5.535 安卓版
v7.266.1042.982150 安卓版
v6.638.6945 PC版
v9.60.9779.971705 PC版
v2.551.2977.481049 安卓版
v7.182.9048 IOS版
v8.984.437.351420 安卓漢化版
v3.680.2677 安卓版
v9.224.505.938006 IOS版
v3.311.957.924767 安卓漢化版
v1.978.3238 PC版
v5.214.2862 最新版
v3.926.1770.866167 安卓免費版
v4.922.1707 PC版
v4.755 安卓版
v5.58.1187.519843 PC版
v9.918 安卓版
v9.869.2710.298726 IOS版
v6.829.4454 安卓免費版
v5.14 PC版
v4.860.9878 安卓版
v6.648.4164 IOS版
v2.854.9256 安卓版
v7.331 安卓漢化版
v3.960 安卓免費版
v2.70 安卓漢化版
v6.536.8273.608980 安卓漢化版
v1.53.6354.238663 IOS版
v5.662 安卓免費版
v2.70.3341.678379 安卓漢化版
v4.176.2991 安卓免費版
v9.40.1398.599368 PC版
v2.530 PC版
v4.400.2980.758855 安卓漢化版
v1.684.9793 安卓最新版
v2.247.6928.472010 最新版
v7.789.846.773657 PC版
v1.376 安卓漢化版
v4.717.2006.913388 IOS版
v6.749.4725 PC版
v5.703.1617.649546 PC版
v5.579.2234.729767 安卓漢化版
v7.491.7957 IOS版
v9.262.233 安卓版
v3.125.7756.280756 安卓版
v2.580.4145.251872 安卓漢化版
v7.726 PC版
v4.966 安卓漢化版
v5.758.8788.290124 安卓版
v6.817.4191.913846 IOS版
v4.862.3404 PC版
v6.800.276.844839 安卓版
v3.337.6030.560070 PC版
v8.130.3228 IOS版
v3.262.2157 安卓免費版
v2.299.7477.727325 IOS版
v8.835.135 安卓漢化版
v3.808.1227.401283 PC版
v6.636.7239.619632 安卓漢化版
v5.292.4621.351749 最新版
贝博918天堂体育登录
新智元报道
编辑:KingHZ
【新智元导读】自然语言规划的模糊性让仓库生成屡屡翻车。微软RPG用图谱取代文字,节点代表功能与文件,边标注依赖与接口。基准显示,功能创新率11-13%,代码通过率69.7%,远超Claude Code,为大规模AI开发铺平道路。
近年来,大模型写代码的能力突飞猛进。在函数级、文件级上,生成已相当可靠;开发者一句描述就能得到完整函数或模块。
但当视野扩展到整个仓库时,难题随之而来:数十上百文件、类与函数之间交织着复杂依赖,要从抽象描述落到完整仓库,始终充满挑战。
现有方法多依赖自然语言规划来决定「做什么、怎么做」。这种方式虽直观,却天生模糊、缺乏结构,难以长程稳定地追踪依赖。
结果就是两类常见失效:要么功能提案不全,难以覆盖需求;要么实现过程漂移,接口和模块边界逐渐错乱。
论文地址:https://arxiv.org/abs/2509.16198
为解决这一问题,微软提出了Repository Planning Graph (RPG),以结构化图谱替代脆弱的文字规划,把功能、文件、依赖和数据流统一在一张蓝图中,从而让仓库生成首次具备可控、可扩、可验证的基础。
从需求到仓库的统一蓝图
Repository Planning Graph (RPG)是一种结构化表征,它把仓库生成的全过程统一到一张图里。
RPG的节点可以是功能目标、文件、类或函数,边则显式标注接口调用、依赖关系和数据流动。
这种设计既能回答「要实现什么」(提案层),也能回答「如何实现」(实现层),从而保证高层意图与底层实现的一致性。
ZeroRepo流程概览:(A)提案级构建:将用户需求转化为功能图谱;(B)实现级构建:进一步细化为文件结构和数据流,形成Repository Planning Graph (RPG);(C)图驱动生成:沿拓扑顺序遍历RPG,逐步生成完整仓库。
在此基础上,研究团队提出了ZeroRepo框架。ZeroRepo从用户的自然语言描述出发,分三步逐步构建RPG并在其指导下生成代码:
第一步:提案级构建
ZeroRepo不再让模型「即兴发挥」,而是先把用户的自然语言需求落到RPG上,逐步长成一张功能图谱。
它依托一个庞大的功能树去检索和拼接节点,比如「用户登录」「购物车管理」「支付处理」,像搭积木一样组合成完整蓝图。
这样,系统不但覆盖了所有关键功能,还能保证结构清晰、层次合理。
第二步:实现级构建
有了功能蓝图,还需要明确每个模块「落地到哪里」。
ZeroRepo会把功能节点继续展开,写成具体的文件、接口和数据流,并一一标注进RPG。以「支付处理」为例,它会被拆解成payment_service.py、api/payment_api.py等文件,并明确依赖订单与库存模块的输出。
这样,模块间的边界和依赖被牢牢固定,再也不会在生成过程中走偏。
第三步:图驱动生成
最后,ZeroRepo按照RPG的拓扑顺序推进代码生成。每实现一个文件或函数,就会先生成测试用例,再写函数体,并把结果回写到RPG中。
这形成了「生成—验证—更新」的闭环。
整个过程像是沿着蓝图施工:有规划、有校验,仓库规模不断扩展,但始终保持接口对齐、结构稳定。
实证ZeroRepo:从蓝图到真实仓库
为全面评估仓库级生成能力,他们构建了全新基准RepoCraft。
RepoCraft评估准确性的任务的整体数据收集流程
不同于以往依赖现成仓库或提供详尽文档的设置,RepoCraft不提供完整架构蓝图,还涵盖6个真实项目、共1052个任务:
scikit-learn,pandas,requests,django,statsmodels,sympy。
真正考察模型从模糊需求到结构化实现的能力。
RepoCraft基准上的不同智能体框架与模型性能对比(Gold Projects 代表真实世界的仓库)
功能覆盖与规模:覆盖率达81.5%,比最强基线Claude Code高27.3个点;还能生成超100个新功能(创新率11–13%),远超其他方法。生成仓库平均36K行代码、445K tokens,是Claude Code的3.9倍、其他方法的64倍,复杂度接近人工项目。
正确性与一致性:代码通过率为69.7%,比Claude Code高35.8个点,接近人工项目上限(81%)。RPG的结构化约束有效保证了模块边界和接口设计的一致性,使生成结果更稳定、更贴近设计初衷。
ZeroRepo利用Qwen3-Coder-480B-A35B-Instruct在机器学习库上搭建数据流动和函数依赖示意图
复杂依赖与协同:以Qwen 3 Coder生成的结果来看,RPG不仅清晰组织了文件层次和模块流程,还显式捕捉了跨模块调用与反馈依赖,使复杂关系能够被稳妥管理,仓库在复杂度提升的同时仍保持整体协调。
ZeroRepo随规划迭代次数增长功能数量(左图)和代码数量增长情况
ZeroRepo在功能数与代码规模上都展现出近乎线性的增长趋势。
随着迭代次数增加,RPG引导的规划让新功能和新增代码能够稳步扩展,而不是像基线方法那样在早期就陷入停滞。
这样的线性扩展能力证明他们具备支撑大规模仓库持续开发的潜力。
RPG在智能体定位任务中的加速效果对比(wo/G表示无全局信息)
此外,RPG提供的全局结构视角显著提升了代理的仓库理解与定位能力,使其能够更快地追踪依赖、定位问题并完成模块集成,从而加速整个开发流程。
总结与展望
ZeroRepo展示了结构化图谱在仓库生成中的独特价值:它不仅提升了功能覆盖率、代码规模和正确性,还解决了长期困扰自然语言规划的模糊与漂移问题,使自动化仓库生成首次逼近真实的软件开发过程。
未来,研究团队计划进一步拓展RPG的适用范围,包括支持多轮需求变更下的交互式开发、跨仓库的协同演化,以及与现有工程工具链的深度融合。
参考资料:
https://arxiv.org/abs/2509.16198
相关版本
多平台下载
查看所有0条评论>网友评论