최근 대규모 언어 모델(LLM)의 발전으로 인해 강력한 코드 작동 에이전트가 등장하며, 코드 보조 도구가 코드 엔지니어로 진화할 수 있는 가능성이 열렸다. 그러나 기존 방법들은 과학 논문과 같은 문서를 코드베이스로 정밀하게 변환하는 데 여전히 큰 도전에 직면해 있다. 이는 주로 LLM의 정보 과부하와 제한된 컨텍스트 용량 사이에 존재하는 근본적인 갈등 때문이다. 본 연구에서는 원칙적인 정보 흐름 관리 기반으로 이 문제를 근본적으로 해결하는 완전 자율적 프레임워크인 DeepCode를 제안한다. DeepCode는 리포지토리 생성을 채널 최적화 문제로 간주함으로써, 제한된 컨텍스트 예산 내에서 작업에 관련된 신호를 최대화하기 위해 네 가지 정보 처리 작업을 원활하게 조율한다: 블루프린트 증류를 통한 소스 압축, 상태 기반 코드 메모리 활용한 구조화된 인덱싱, 검색 증강 생성을 통한 조건부 지식 주입, 그리고 폐루프 오류 보정. PaperBench 벤치마크를 대상으로 한 광범위한 평가 결과, DeepCode는 Cursor와 Claude Code와 같은 선도적인 상용 에이전트를 뛰어넘는 최고 수준의 성능을 달성했으며, 특히 주요 재현 지표에서 상위 기관의 박사급 인류 전문가를도 압도하는 결과를 보였다. 본 연구는 과학 논문의 사양을 인간 전문가 수준의 생산성 기반 구현으로 체계적으로 전환함으로써, 자율적 과학 재현의 새로운 기반을 마련하였으며, 이는 연구 평가와 탐색의 가속화를 가능하게 한다.