PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2604.07341v4cs.SE

ReCodeAgent: 대규모 저장소의 언어 독립적 변환과 검증을 위한 멀티 에이전트 워크플로우

ReCodeAgent: A Multi-agent Workflow for Language-Agnostic Translation and Validation of Large-Scale Repositories

대부분의 저장소 수준 코드 변환 및 검증 기법은 새로운 프로그래밍 언어(PL) 쌍에 맞게 적응시키는 데 필요한 복잡한 엔지니어링 작업 때문에 단일한 소스-타겟 프로그래밍 언어(PL) 쌍에 대해서만 평가되어 왔다. 프로그래밍 에이전트는 저장소 수준 코드 변환과 검증에서 PL에 독립적인 방식을 가능하게 할 수 있다: 이들은 여러 PL에 걸쳐 코드를 생성할 수 있고, 각 PL의 분석에 특화된 기존 도구를 자율적으로 활용할 수 있다. 그러나 현재까지의 최신 기술(state-of-the-art)은 대규모 프로그램의 저장소 수준 코드 변환 및 검증을 위한 완전히 자율적인 에이전트 기반 접근법을 제공하지 못했다. 본 논문은 언어에 독립적인 저장소 수준 코드 변환 및 검증을 위한 자율적 멀티 에이전트 접근법인 ReCodeAgent를 제안한다. 사용자는 소스 PL로 작성된 프로젝트를 제공하고 타겟 PL을 지정하기만 하면, ReCodeAgent가 저장소 전체를 자동으로 변환하고 검증한다. ReCodeAgent는 여러 PL에 걸쳐 높은 변환 성공률을 달성한 최초의 기법이다. 우리는 ReCodeAgent의 효과를 4개의 대안적인 신경-상징적(neuro-symbolic) 및 에이전트 기반 접근법과 비교하여, 평균적으로 프로젝트당 1,975 LoC와 43개의 변환 단위를 가진 118개의 실제 프로젝트를 변환하였다. 이 프로젝트들은 6개의 PL과 4개의 PL 쌍을 포함한다. 실험 결과는 ReCodeAgent가 변환 정확성 측면에서 기존 기법들을 일관되게 능가하며, 정답(ground-truth) 테스트에서 테스트 통과율을 60.8% 향상시키고, 평균 비용은 15.3달러임을 보여준다. 또한 우리는 ReCodeAgent 실행 궤적(trajectory)에 대한 프로세스 중심 분석을 수행하여 그 절차적 효율성을 확인하였다. 마지막으로, 설계 선택(멀티 에이전트 대 단일 에이전트 아키텍처)이 ReCodeAgent 성능에 미치는 영향을 조사하였다: 평균적으로 테스트 통과율이 40.4% 감소하고, 실행 궤적은 28% 더 길어지며 지속적으로 비효율적이 된다.