Code Optimization Self-Improvement Profiler-Guided LLM Agent
摘要

大型语言模型代理在正确性导向任务中表现优异,但在需保持行为同时提升运行时性能的仓库级代码优化方面仍显不足。现有代理常因无法识别深层瓶颈或测试不充分而失败。本文提出 PerfAgent,一种由性能分析器引导、包含验证器的迭代工作流。该机制为通用编码代理提供反馈,助其定位真实热点,超越首个可行补丁,并依据分析证据而非单纯计时决定优化方向。实验表明,该方法显著提升了匹配专家水平的补丁生成率。

AI 推荐理由

论文核心在于通过性能分析器引导的迭代优化,实现 Agent 对代码的自我改进与进化。

研究机构
麻省理工学院技术研究所,马萨诸塞州剑桥,美国 雷恩斯勒Polytechnic研究所,纽约州纽约,美国 IBM,德国埃尔宁根 密歇根州立大学,兰辛,美国 IBM,托马斯J.沃森研究中心,纽约州约克镇高地,美国
论文信息
作者 Ryan Deng, Yuanzhe Liu, Bastian Lipka, Yao Ma, Xuhao Chen et al.
发布日期 2026-07-22
arXiv ID 2607.19653
相关性评分 9/10 (高度相关)