arXiv:2604.07341v4 cs.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

Ali Reza Ibrahimzada, Brandon Paulsen, Daniel Kroening, Reyhaneh Jabbarvand

제출 2026-04-08

저자 비고

arXiv Comments

Published in ASE 2026

한국어 초록

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.

원문 초록

Most repository-level code translation and validation techniques have been evaluated on a single source-target programming language (PL) pair, owing to the complex engineering effort required to adapt new PL pairs. Programming agents can enable PL-agnosticism in repository-level code translation and validation: they can synthesize code across many PLs and autonomously use existing tools specific to each PL's analysis. However, state-of-the-art has yet to offer a fully autonomous agentic approach for repository-level code translation and validation of large-scale programs. This paper proposes ReCodeAgent, an autonomous multi-agent approach for language-agnostic repository-level code translation and validation. Users only need to provide the project in the source PL and specify the target PL for ReCodeAgent to automatically translate and validate the entire repository. ReCodeAgent is the first technique to achieve high translation success rates across many PLs. We compare the effectiveness of ReCodeAgent with four alternative neuro-symbolic and agentic approaches to translate 118 real-world projects, with 1,975 LoC and 43 translation units for each project, on average. The projects cover 6 PLs and 4 PL pairs. Our results demonstrate that ReCodeAgent consistently outperforms prior techniques on translation correctness, improving test pass rate by 60.8% on ground-truth tests, with an average cost of $15.3. We also perform process-centric analysis of ReCodeAgent trajectories to confirm its procedural efficiency. Finally, we investigate how the design choices (a multi-agent vs. single-agent architecture) influence ReCodeAgent performance: on average, the test pass rate drops by 40.4%, and trajectories become 28% longer and persistently inefficient.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2604.07341v4

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.01249v1cs.AI공통 태그 Code Generation, multi-agent systems

동적 추론을 위한 수정 인지 독립 에이전트 그래프

Revision-Aware Independent Agent Graphs for Dynamic Reasoning

기존의 추론 프로토콜은 고정되고 사전 선택된 작업을 제시하므로 에이전트가 관련 업데이트를 전파하는지, 영향을 받지 않은 작업을 보존하는지, 또는 과거의 작업 바인딩을 재구성하는지 테스트할 수 없습니다. 따라서 우리는 이벤트 스트림이 작업 바인딩을 수정하고 시스템이 문제를 해결하기 전에 각 쿼리 시점에 유효한 문서 버전을 선택해야 하는 동적 작업 라우팅(dynamic task routing)을 연구합니다. 이 문제를 연구하기 위해 MMLU, MMLU-Pro, MedMCQA, MATH, GPQA, HumanEval 등 널리 사용되는 6개 벤치마크를 373,428개의 시간별 분류 쿼리로 구성된 31,119개의 동적 에피소드로 재구성합니다. 이러한 설정은 모든 이벤트 후에 재계산하는 것은 작업을 낭비하는 반면, 무분별한 재사용은 오래된 결론을 반환한다는 핵심적인 트레이드오프를 드러냅니다. 우리는 결정론적 시간 해석(temporal resolution)과 작업 추론을 분리하는 유계 다중 에이전트(multi-agent) 정책인 수정 인지 독립 에이전트 그래프(Revision-Aware Independent Agent Graph, RIAG)를 소개합니다. RIAG는 불변 문서 식별자(immutable document identity)를 기반으로 솔루션을 캐싱하고, 각각의 새로운 작업을 노출되지 않은 두 번의 시도로 시작하며, 문서 버전당 최대 4회의 호출을 사용하여 감사 및 수정을 조건부로 호출합니다. 이 컬렉션에서 동종(homogeneous) RIAG는 쿼리당 0.62회 호출로 54.24%의 결합 라우팅 및 답변 정확도를 달성하여 가장 강력한 비교 방법의 쿼리당 18.00회 호출 시 32.22%와 대비되며, 이종(heterogeneous) RIAG는 쿼리당 0.63회 호출로 49.78%에 도달합니다.

arXiv:2609.25396v1cs.CL공통 태그 Code Generation, multi-agent systems

혼자서는 통과하지만 함께하면 실패한다: 병렬 LLM 에이전트 개발에서의 의미적 조율 벤치마킹

Passes Alone, Fails Together: Benchmarking Semantic Coordination in Parallel LLM-Agent Development

병렬로 동작하는 코딩 에이전트(agent)는 각자 단독으로는 잘 동작하지만 병합하면 실패하는 패치를 만들어 낼 수 있다. 이는 한 에이전트가 다른 에이전트가 여전히 의존하고 있는 인터페이스나 규칙을 변경할 때 발생한다. 우리는 의미적 조율(semantic coordination)을 평가하는 벤치마크 stale을 사용하여 이러한 실패를 연구한다. 우리의 평가는 각 패치를 단독으로 적용한 경우와 두 패치를 결합한 경우에 동일한 테스트를 실행하며, 패치를 결합했기 때문에 새로 발생한 실패만을 집계한다. 평가에는 세 가지 계층을 사용한다. 인터페이스 변경을 통제한 합성 과제, 병합된 풀 리퀘스트(pull request) 쌍, 그리고 실제 Django 헬퍼를 사용해 구성한 과제이다. 채점 절차를 수정한 후, 마이닝한 417개 Django 쌍에 대한 834회 실행 중 간섭이 나타난 경우는 단 한 건뿐이었다. 12개의 Django 헬퍼를 사용해 구성한 과제에서는 실행의 97%에서 간섭이 발생했다. 동시에 이루어진 변경이 완료되었음을 설명하는 메시지를 제공하자 실행의 82%가 복구되었다. 검토를 거친 풀 리퀘스트에는 해결되지 않은 병렬 변경이 거의 없을 수 있으며, 이는 실제 코드를 사용한 통제된 과제에서 에이전트가 실패하는 경우에도 마찬가지이다. 구성된 과제에서의 실패율은 이러한 문제가 실제로 얼마나 자주 발생하는지를 추정하는 값이 아니다.

arXiv:2609.26781v1cs.CL공통 태그 Code Generation, multi-agent systems

Agensh: 1,024 에이전트 규모로 조직 지능 스케일링

Agensh: Scaling Organizational Intelligence to 1,024 Agents

멀티 에이전트 시스템은 작업을 동시에 실행함으로써 복잡한 과제의 지연(latency)을 줄일 수 있다. 여러 선구적인 하네스(harness) 프레임워크가 멀티 에이전트 시스템을 지원한다. 그러나 현재 멀티 에이전트 하네스의 확장성은 작업을 할당하고 워커를 조율하는 중앙 오케스트레이터의 처리 능력에 의해 종종 제약된다. 이 한계를 해결하기 위해 중앙 오케스트레이터 없이 확장 가능한 자기 조직화(self-organized) 멀티 에이전트 하네스인 Agensh를 제안한다. 동시에 동작하는 워커들이 멀티 에이전트 협력 루프를 실행하며, 맥락을 지속적으로 수집하고, 하위 과제를 클레임(claim)하여 스스로 할당하며, 행동을 취하고 결과를 공유하고, 결과를 검증하며, 진행 상황을 비동기적으로 병합한다. 이 루프는 세 가지 구성 요소로 이루어진 에이전틱 조직(agentic organization) 인프라가 뒷받침한다. 공유 워크스페이스는 제안·진행·완료된 작업을 보관하고, 메시지 인터페이스는 워커 간 통신을 가능하게 하며, 공유 컨텍스트는 재사용 가능한 발견과 작업 의도를 유지한다. Agensh의 확장성을 검증하기 위해 GPT-5.6-sol (high)로 ProgramBench에서 가장 어려운 다섯 과제를 평가했다. 에이전트 수를 1에서 128로 늘리면 평균 최종 테스트 통과율이 19.31%에서 28.78%로 상승하여 약 49%의 상대적 향상을 보인다. 더 큰 조직은 더 이른 시점에 비슷한 테스트 통과율에 도달한다. pandoc 과제에서는 에이전트를 1에서 1,024로 늘리면 최종 테스트 통과율이 33.89%에서 55.06%로 상승한다. 워커 궤적은 또한 조직이 커질수록 다양한 형태의 자기 조직화 협력이 점진적으로 출현(emerge)하고 표준화됨을 보여 준다. 이러한 결과는 에이전트 수를 멀티 에이전트 조직이 일반 지능(general intelligence)의 프론티어를 넓히기 위한 새로운 스케일링 차원으로 삼을 수 있음을 보여 주며, 엄격한 지연 제약이나 시간 예산 하의 복잡한 과제에 대한 실용적 해결책을 제공한다.

arXiv:2609.23360v1cs.CE공통 태그 Code Generation, multi-agent systems

인간 유도 및 물리 제약 AI 에이전트를 통한 토양 플러그 발달에 대한 감사 가능한 모델 구축

Human-guided physics-constrained AI agents construct an auditable model of soil-plug evolution

공학적 예측은 물리적 메커니즘을 방정식, 이산화, 코드 및 검증(validation)으로 일관되게 변환해야 하지만, 국소적인 확인에도 불구하고 오류가 전파될 수 있습니다. 인공지능(AI) 에이전트(agent)는 과학적 작업을 자동화하지만, 물리적 제약과 인간의 감독 하에 이론에서 솔버(solver)에 이르는 과정을 조율하고 독립적으로 감사하는 문제는 아직 해결되지 않았습니다. 본 연구에서는 인간 전문가가 허용 가능한 물리 및 모델링 경계를 정의하고, 에이전트가 증거를 검색하고 방정식을 유도하며 솔버를 구현하고 이론-코드 체인을 감사하는 인간 참여형(human-in-the-loop) 물리 제약 멀티 에이전트 워크플로를 소개합니다. 석션 케이슨 설치 중 토양 플러그(soil-plug) 발달에 적용했을 때, 물리적 지식과 입력이 준비된 후 2.9시간의 에이전트 실행만으로 6개의 정식화(formulation)를 생성하고 감사했습니다. 이러한 정식화 중에서 기하학적 기준선(baseline)에 침투류 기반 토양 간극비 발달을 추가하자 14개 프로파일 전반에서 평균 절대 최종 융기 오차가 58.4%에서 9.0%로 감소했습니다. 최종 선정된 모델(model)은 벽체 부근 팽창(dilation)을 추가로 통합하여 9개의 최종 상태 사례에서 12.4%, 5개의 과정 이력 종점(endpoints)에서 4.2%의 평균 절대 백분율 오차를 달성했습니다. 예측 성능을 넘어, 블라인드 리플레이(blinded replay)를 통해 9개의 목표 문제를 모두 재현한 반면, 독립적인 감사를 통해 36개의 사전 정의된 검사가 통과된 후에도 5개의 구현 문제를 발견했습니다. 전반적으로 본 연구는 멀티 에이전트 AI를 단순한 작업 자동화를 넘어 인간이 관리하는 공학 솔버 영역으로 확장합니다.

arXiv:2607.22917v1cs.AI공통 태그 Code Generation, multi-agent systems

Agent Team Work Zone: 장기 운영 코딩 에이전트 팀을 위한 자동화·영속 워크스페이스

Agent Team Work Zone: An Automated, Persistent Workspace for Long-Lived Coding Agent Teams

대규모 언어 모델(LLM) 에이전트는 코딩 및 프로그래밍 워크플로를 크게 개선해 왔다. 특히 Claude Code는 가장 강력한 LLM 코딩 에이전트 중 하나로, 복잡한 코딩 작업을 수행할 수 있다. 그러나 여러 단점이 장기적인 에이전틱(agentic) 워크플로를 약화시킬 수 있다. (1) 복구 불가능한 에이전트 팀: Agent Teams 특징은 강력하지만, 각 팀원이 축적한 작업 상태는 프로세스가 중단되면(예: 터미널이 닫히면) 사라지며 재개할 수 없다. (2) Compaction이 작업 세부사항을 훼손: Compaction은 대화를 요약으로 압축하여 에이전트의 작업 세부사항이 모호해진다. (3) 에이전틱 "기술 부채(technical debt)": 시간이 지나면서 사용자의 결정과 에이전트의 작업이 압축된 오래된 채팅에 갇히게 되어, 프로젝트 유지·검토가 점점 어려워진다. (4) 과도한 프롬프트 작성: 작업을 할당하거나 넘기려면 사용자가 기대하는 에이전틱 성능을 얻기 위해 반복적으로 긴 프롬프트를 작성해야 한다. 우리는 이러한 문제를 해결하기 위해 Claude Code의 네이티브 Agent Teams를 중심으로 구축된 파일시스템 기반 운영 레이어인 ATWZ(Agent Team Work Zone)를 제안한다. 핵심 설계 원칙은 각 에이전트와 팀원을 인간 직원처럼 다루고, "workstation"이라 불리는 전용 디렉터리에 저장된 파일에 중요한 작업 상태를 보존하는 것이며, 이때 해당 파일을 사용하고 유지하는 스킬, 훅, 스크립트도 함께 둔다. ATWZ를 사용하면 에이전트 팀이 작업 상태를 주기적으로 백업할 수 있어, Compaction 이후에도 에이전트의 지식을 복구할 수 있다. 프로세스가 종료된 후에도 팀을 단일 명령으로 복원할 수 있다. 이러한 기능은 위에서 설명한 에이전틱 "기술 부채"를 상당히 완화한다. 또한 ATWZ 내에서 에이전트 "직원"들이 서로 문서를 전송할 수 있어, 프롬프트 작성에 필요한 노력을 크게 줄인다.

arXiv:2607.21522v1cs.RO공통 태그 Code Generation, multi-agent systems

GS-Agent: 생성 시뮬레이션으로 4D 물리 세계 생성

GS-Agent: Creating 4D Physical Worlds With Generative Simulation

자연어 설명으로부터 동적이고 물리적으로 사실적인 4D 세계를 생성하는 것은 흥미롭기도 하고 도전적이기도 하다. 전통적인 컴퓨터 그래픽스(computer graphics) 방법은 수동 생성에 의존하며, 재질, 움직임, 시각적 충실도를 파인튜닝(fine-tuning)하기 위해 상당한 인적 노력이 필요하다. 생성형 기반 모델(generative foundation models)의 최근 발전은 대규모 데이터로부터 이러한 4D 세계를 생성하는 학습에 대한 관심을 불러일으켰다. 그러나 기존 방법들은 여전히 물리적 타당성(physical plausibility)과 제어 가능성(controllability)을 보장하는 데 어려움을 겪는다. 본 연구에서는 기반 모델(foundation models)을 활용하여 인간이 전통적으로 4D 세계를 생성하는 방식을 모방하면서도 전 과정을 자동화하는 에이전트적(agentic) 시스템을 구축하는 다른 접근을 취한다. GS-Agent를 제안한다. 이는 루프 내 물리 엔진(physics engines in the loop)을 통합하여 자연어로부터 사실적이고 동적이며 제어 가능한 4D 물리 세계를 생성하는 end-to-end 다중 에이전트(multi-agent) 프레임워크이다. 인간이 4D 세계를 구축하는 방식에서 영감을 받아, GS-Agent는 작업을 엔티티 관리(entity management)와 렌더링 구성(rendering configuration)으로 분해한다. 전자는 3D 에셋 큐레이션(3D asset curation), 재질 튜닝(material tuning), 배치(placement), 운동 제어(motion control)를 포함하고, 후자는 카메라 및 조명 조작(camera and lighting manipulation)을 포함한다. 서로 다른 전문성을 갖춘 여러 에이전트가 코드를 통해 물리 엔진과 상호작용하고, 멀티모달(multimodal) 피드백을 구하며, 협력하여 주어진 설명과 일치하는 4D 세계를 반복적으로 구축한다. 실험 결과는 GS-Agent가 자연어를 다양하고 물리적으로 타당한 4D 세계로 효과적으로 변환하며, 액체, 변형 가능 객체(deformable objects), 강체(rigid bodies) 간의 풍부한 상호작용을 보여주고, 영화적(cinematic) 카메라 및 조명 제어를 달성함을 보여준다. GS-Agent를 4D 세계 생성의 새로운 패러다임의 기반으로 상상하며, 창의적 콘텐츠 생성과 물리 AI(physical AI)를 가능하게 할 것으로 기대한다. 프로젝트 페이지: https://umass-embodied-agi.github.io/gs-agent/

토론

이 논문과 연결된 포럼 글이 아직 없습니다.