v1.7 IOS版
v1.705.2138 最新版
v6.33.3025.684281 PC版
v3.578.8979.591102 安卓最新版
v7.70.4167.884569 最新版
v2.556 安卓最新版
v5.80.3643 安卓版
v8.163.3942.796739 IOS版
v8.360.1947.562291 IOS版
v8.1 IOS版
v2.671.9934 IOS版
v9.720 安卓漢化版
v4.303.8748.30559 安卓最新版
v3.373.7115.174649 PC版
v2.419.6413.334612 安卓版
v9.717.6606.779893 PC版
v2.973 安卓免費版
v5.896.1045.36192 最新版
v3.136.5260 安卓最新版
v8.314.3960.636053 安卓版
v2.928.9424 安卓免費版
v4.767 安卓漢化版
v5.130.2470.56338 安卓漢化版
v2.114.4731 IOS版
v7.643.7423 安卓版
v7.19.3491.990135 IOS版
v6.15.9803.47984 PC版
v2.843.9824 安卓漢化版
v9.296.9149.846121 安卓免費版
v7.306.2957.671611 安卓免費版
v6.347 安卓版
v5.218.229.696316 IOS版
v3.352.8233 PC版
v2.100.5518.295669 安卓最新版
v4.526 安卓最新版
v4.217.5522.855051 IOS版
v5.890.5620.375760 最新版
v8.555.6682 最新版
v7.275 安卓漢化版
v5.877.4091 安卓免費版
v4.543 安卓版
v5.540.4205.451904 安卓最新版
v2.522.7973 安卓漢化版
v5.925.4565.130914 安卓免費版
v1.367.3445.294010 安卓最新版
v7.163.7066 安卓漢化版
v9.198 安卓漢化版
v9.803.5895.187777 安卓最新版
v8.79.4511.367147 最新版
v3.242.2147.528830 PC版
v5.85.3796 IOS版
v9.278.3005.933854 安卓漢化版
v9.55 最新版
v1.262.35 IOS版
v1.189.8504 安卓最新版
v1.346.1121.718635 安卓漢化版
v8.513.5100.473708 PC版
v7.719.172 安卓免費版
v4.921.6438 IOS版
v5.8.1968.488804 安卓版
v4.425.3730 安卓版
v2.312.6815.102909 最新版
v9.821.7031.332020 最新版
v8.719.1370.829859 安卓免費版
v8.857 IOS版
v1.180 最新版
v1.76.6685.25473 PC版
v1.475 IOS版
v5.884.1952 安卓最新版
v6.745.2520 安卓免費版
v3.438 安卓免費版
v5.776 安卓最新版
v6.629.750.916402 IOS版
v8.958.5300.444435 PC版
v2.497.1367 安卓免費版
v5.508 安卓免費版
v3.267.3009.349618 IOS版
v3.797.3258.560456 最新版
v8.494.5685.167589 IOS版
v3.343.1479 最新版
188体育点击登录
新智元报道
编辑:KingHZ
【新智元导读】自然语言规划的模糊性让仓库生成屡屡翻车。微软RPG用图谱取代文字,节点代表功能与文件,边标注依赖与接口。基准显示,功能创新率11-13%,代码通过率69.7%,远超Claude Code,为大规模AI开发铺平道路。
近年来,大模型写代码的能力突飞猛进。在函数级、文件级上,生成已相当可靠;开发者一句描述就能得到完整函数或模块。
但当视野扩展到整个仓库时,难题随之而来:数十上百文件、类与函数之间交织着复杂依赖,要从抽象描述落到完整仓库,始终充满挑战。
现有方法多依赖自然语言规划来决定「做什么、怎么做」。这种方式虽直观,却天生模糊、缺乏结构,难以长程稳定地追踪依赖。
结果就是两类常见失效:要么功能提案不全,难以覆盖需求;要么实现过程漂移,接口和模块边界逐渐错乱。
论文地址:https://arxiv.org/abs/2509.16198
为解决这一问题,微软提出了Repository Planning Graph (RPG),以结构化图谱替代脆弱的文字规划,把功能、文件、依赖和数据流统一在一张蓝图中,从而让仓库生成首次具备可控、可扩、可验证的基础。
从需求到仓库的统一蓝图
Repository Planning Graph (RPG)是一种结构化表征,它把仓库生成的全过程统一到一张图里。
RPG的节点可以是功能目标、文件、类或函数,边则显式标注接口调用、依赖关系和数据流动。
这种设计既能回答「要实现什么」(提案层),也能回答「如何实现」(实现层),从而保证高层意图与底层实现的一致性。
ZeroRepo流程概览:(A)提案级构建:将用户需求转化为功能图谱;(B)实现级构建:进一步细化为文件结构和数据流,形成Repository Planning Graph (RPG);(C)图驱动生成:沿拓扑顺序遍历RPG,逐步生成完整仓库。
在此基础上,研究团队提出了ZeroRepo框架。ZeroRepo从用户的自然语言描述出发,分三步逐步构建RPG并在其指导下生成代码:
第一步:提案级构建
ZeroRepo不再让模型「即兴发挥」,而是先把用户的自然语言需求落到RPG上,逐步长成一张功能图谱。
它依托一个庞大的功能树去检索和拼接节点,比如「用户登录」「购物车管理」「支付处理」,像搭积木一样组合成完整蓝图。
这样,系统不但覆盖了所有关键功能,还能保证结构清晰、层次合理。
第二步:实现级构建
有了功能蓝图,还需要明确每个模块「落地到哪里」。
ZeroRepo会把功能节点继续展开,写成具体的文件、接口和数据流,并一一标注进RPG。以「支付处理」为例,它会被拆解成payment_service.py、api/payment_api.py等文件,并明确依赖订单与库存模块的输出。
这样,模块间的边界和依赖被牢牢固定,再也不会在生成过程中走偏。
第三步:图驱动生成
最后,ZeroRepo按照RPG的拓扑顺序推进代码生成。每实现一个文件或函数,就会先生成测试用例,再写函数体,并把结果回写到RPG中。
这形成了「生成—验证—更新」的闭环。
整个过程像是沿着蓝图施工:有规划、有校验,仓库规模不断扩展,但始终保持接口对齐、结构稳定。
实证ZeroRepo:从蓝图到真实仓库
为全面评估仓库级生成能力,他们构建了全新基准RepoCraft。
RepoCraft评估准确性的任务的整体数据收集流程
不同于以往依赖现成仓库或提供详尽文档的设置,RepoCraft不提供完整架构蓝图,还涵盖6个真实项目、共1052个任务:
scikit-learn,pandas,requests,django,statsmodels,sympy。
真正考察模型从模糊需求到结构化实现的能力。
RepoCraft基准上的不同智能体框架与模型性能对比(Gold Projects 代表真实世界的仓库)
功能覆盖与规模:覆盖率达81.5%,比最强基线Claude Code高27.3个点;还能生成超100个新功能(创新率11–13%),远超其他方法。生成仓库平均36K行代码、445K tokens,是Claude Code的3.9倍、其他方法的64倍,复杂度接近人工项目。
正确性与一致性:代码通过率为69.7%,比Claude Code高35.8个点,接近人工项目上限(81%)。RPG的结构化约束有效保证了模块边界和接口设计的一致性,使生成结果更稳定、更贴近设计初衷。
ZeroRepo利用Qwen3-Coder-480B-A35B-Instruct在机器学习库上搭建数据流动和函数依赖示意图
复杂依赖与协同:以Qwen 3 Coder生成的结果来看,RPG不仅清晰组织了文件层次和模块流程,还显式捕捉了跨模块调用与反馈依赖,使复杂关系能够被稳妥管理,仓库在复杂度提升的同时仍保持整体协调。
ZeroRepo随规划迭代次数增长功能数量(左图)和代码数量增长情况
ZeroRepo在功能数与代码规模上都展现出近乎线性的增长趋势。
随着迭代次数增加,RPG引导的规划让新功能和新增代码能够稳步扩展,而不是像基线方法那样在早期就陷入停滞。
这样的线性扩展能力证明他们具备支撑大规模仓库持续开发的潜力。
RPG在智能体定位任务中的加速效果对比(wo/G表示无全局信息)
此外,RPG提供的全局结构视角显著提升了代理的仓库理解与定位能力,使其能够更快地追踪依赖、定位问题并完成模块集成,从而加速整个开发流程。
总结与展望
ZeroRepo展示了结构化图谱在仓库生成中的独特价值:它不仅提升了功能覆盖率、代码规模和正确性,还解决了长期困扰自然语言规划的模糊与漂移问题,使自动化仓库生成首次逼近真实的软件开发过程。
未来,研究团队计划进一步拓展RPG的适用范围,包括支持多轮需求变更下的交互式开发、跨仓库的协同演化,以及与现有工程工具链的深度融合。
参考资料:
https://arxiv.org/abs/2509.16198
相关版本
多平台下载
查看所有0条评论>网友评论