Les progrès récents des grands modèles linguistiques (LLM) ont donné naissance à des agents de codage puissants, rendant possible l’évolution des assistants de code vers des ingénieurs logiciels autonomes. Toutefois, les méthodes actuelles rencontrent encore des défis majeurs pour atteindre une synthèse haute fidélité entre documents et bases de code — par exemple, la transformation de publications scientifiques en code — principalement en raison d’un conflit fondamental entre le surcroît d’information et les contraintes de contexte propres aux LLM. Dans ce travail, nous introduisons DeepCode, un cadre entièrement autonome qui résout fondamentalement ce défi grâce à une gestion rigoureuse du flux d’information. En modélisant la synthèse d’un dépôt comme un problème d’optimisation de canal, DeepCode orchestre de manière fluide quatre opérations informationnelles afin de maximiser les signaux pertinents à la tâche, dans le cadre d’un budget de contexte fini : compression des sources par distillation de plans (blueprint distillation), indexation structurée grâce à une mémoire de code étatique, injection conditionnelle de connaissances via une génération augmentée par récupération (retrieval-augmented generation), et correction d’erreurs en boucle fermée. Des évaluations étendues sur le benchmark PaperBench montrent que DeepCode atteint des performances de pointe, surpassant de manière décisive les agents commerciaux leaders tels que Cursor et Claude Code, et, plus significativement, dépassant les experts humains au niveau de doctorat provenant des meilleures institutions sur des métriques clés de reproductibilité. En transformant de manière systématique les spécifications de publications en implémentations de qualité industrielle, comparables à celles d’un expert humain, ce travail établit de nouvelles fondations pour la reproductibilité scientifique autonome, pouvant accélérer l’évaluation et la découverte scientifiques.