Neuere Fortschritte bei großen Sprachmodellen (Large Language Models, LLMs) haben leistungsstarke Code-Agenten hervorgebracht, die es Code-Assistenten ermöglichen, sich zu Code-Ingenieuren weiterzuentwickeln. Dennoch stehen bestehende Ansätze vor erheblichen Herausforderungen bei der Erreichung einer hochgenauen Synthese von Dokumenten in Codebasen – beispielsweise von wissenschaftlichen Arbeiten in Code – vor allem aufgrund eines grundlegenden Konflikts zwischen Informationsüberlastung und den Kontextbegrenzungen von LLMs. In dieser Arbeit stellen wir DeepCode vor, einen vollständig autonomen Framework, der diese Herausforderung prinzipienbasiert durch gezielte Informationsfluss-Steuerung adressiert. Indem wir die Repository-Synthese als ein Problem der Kanaloptimierung betrachten, koordiniert DeepCode nahtlos vier Informationsoperationen, um unter begrenzten Kontextressourcen die task-relevanten Signale zu maximieren: Quellkompression mittels Blueprint-Distillation, strukturierte Indizierung mittels zustandsbehafteter Code-Speicher, bedingte Wissensinjektion über retrieval-augmentierte Generierung sowie geschlossenschleifige Fehlerkorrektur. Ausführliche Evaluationen auf der PaperBench-Benchmark zeigen, dass DeepCode die derzeit beste Leistung erzielt und führende kommerzielle Agenten wie Cursor und Claude Code deutlich übertrifft. Vor allem jedoch erreicht DeepCode, was entscheidend ist, über die Reproduktionsleistung von Doktoranden aus renommierten Instituten hinaus. Durch die systematische Umwandlung von Paper-Spezifikationen in produktionsreife Implementierungen von vergleichbarer Qualität wie menschliche Experten legt diese Arbeit neue Grundlagen für die autonome wissenschaftliche Reproduktion, die die Evaluierung und Entdeckung in der Forschung beschleunigen kann.