AutoPass：证据引导的 LLM 智能体用于编译器性能调优

大型语言模型在代码编译任务中展现出潜力，但受限于复杂的微架构效应和噪声运行时测量，难以应用于运行时性能调优。本文提出 AutoPass，一种利用编译器和运行时证据引导 LLM 生成优化决策的多智能体框架。不同于将编译器视为黑盒的传统方法，AutoPass 使 LLM 能查询内部优化状态并分析中间表示，从而协调编译选项。该框架通过测量的运行时反馈迭代 refine 优化配置，诊断性能回退并指导延迟改进编辑，无需离线训练或微调。在 LLVM 上的实验表明，其在 x86-64 和 ARM64 平台上均优于专家启发式方法和经典自动调优技术。