Jane Luo Xin Zhang Steven Liu Jie Wu Yiming Huang Yangyu Huang Chengyu Yin

Résumé

Les grands modèles linguistiques se distinguent par leur capacité à générer du code au niveau des fonctions et des fichiers, mais la génération complète de dépôts à partir de zéro demeure un défi fondamental. Ce processus exige une planification cohérente et fiable à la fois au niveau de la proposition et au niveau de l’implémentation, alors que le langage naturel, en raison de son ambiguïté et de sa verbose, s’avère mal adapté à la représentation fidèle de structures logicielles complexes. Pour relever ce défi, nous introduisons le Repository Planning Graph (RPG), une représentation persistante qui unifie la planification au niveau de la proposition et au niveau de l’implémentation en codant, dans un même graphe, les capacités, les structures de fichiers, les flux de données et les fonctions. Le RPG remplace le langage naturel ambigu par un plan explicite, permettant une planification à long terme et une génération de dépôts évolutives. À partir du RPG, nous développons ZeroRepo, un cadre piloté par graphe pour la génération de dépôts à partir de zéro. Ce cadre fonctionne en trois étapes : planification au niveau de la proposition et raffinement au niveau de l’implémentation pour construire le graphe, suivis d’une génération de code guidée par le graphe, validée par des tests. Pour évaluer ce cadre, nous avons conçu RepoCraft, un benchmark comprenant six projets réels et 1 052 tâches. Sur RepoCraft, ZeroRepo génère des dépôts d’une taille moyenne de près de 36 000 lignes de code (LOC), soit environ 3,9 fois la meilleure ligne de base (Claude Code) et environ 64 fois les autres baselines. Il atteint une couverture fonctionnelle de 81,5 % et un taux de réussite de 69,7 %, dépassant Claude Code respectivement de 27,3 et 35,8 points de pourcentage. Une analyse approfondie montre que le RPG modélise efficacement les dépendances complexes, permet une planification progressivement plus sophistiquée grâce à une évolution quasi linéaire, et améliore la compréhension des dépôts par les grands modèles linguistiques, accélérant ainsi la localisation des agents logiciels.