أحدث التطورات في النماذج اللغوية الكبيرة (LLMs) أدت إلى ظهور وكالات برمجية قوية، مما مكّن المساعدات البرمجية من التحول إلى هندسي برمجيات. ومع ذلك، لا تزال الطرق الحالية تواجه تحديات كبيرة في تحقيق توليد دقيق من الوثائق إلى قواعد الكود—مثل تحويل الأوراق العلمية إلى كود—وذلك بشكل رئيسي بسبب التناقض الجوهري بين الفائض المعلوماتي وقيود السياق المفروضة على النماذج اللغوية الكبيرة. في هذا العمل، نقدّم "DeepCode"، وهي إطار عمل كامل التلقائية، يعالج هذه التحديات جذريًا من خلال إدارة منهجية لتدفق المعلومات. وباعتبار توليد المستودعات مشكلة تحسين قناة اتصال، تقوم "DeepCode" بتنسيق سلس لأربع عمليات معلوماتية لتعظيم الإشارات ذات الصلة بالمهام ضمن حدود محدودة للسياق: تقليل حجم المصدر عبر استخلاص المخططات، وتبويب منظم باستخدام ذاكرة كود ديناميكية، وحقن المعرفة المشروطة عبر تقنية التوليد المدعوم بالاسترجاع، وتصحيح الأخطاء في حلقة مغلقة. أظهرت التقييمات الواسعة على معيار "PaperBench" أداءً متفوقًا على المستوى العالمي، حيث تفوق بشكل حاسم على أبرز الوكالات التجارية مثل Cursor وClaude Code، وبشكل جوهري، تفوقت على خبراء بحثيّين من مستوى دكتوراه من أبرز المؤسسات على مؤشرات الإعادة الأساسية. وبتحويل المواصفات العلمية بشكل منهجي إلى تنفيذات جاهزة للإنتاج تُقاس بجودة أداء الخبراء البشريين، يُرسي هذا العمل أسسًا جديدة للإعادة العلمية التلقائية، التي يمكن أن تسهم في تسريع تقييم الأبحاث واكتشافات جديدة.