[Paper] Agint：Agentic Graph Compilation for 软件工程代理

Source: arXiv

摘要

基于大语言模型（LLM）的编码代理日益普及，但仍面临上下文管理、延迟、可靠性、可复现性和可扩展性等挑战。我们提出 Agint，一种代理式图编译器、解释器和运行时，能够以增量且层次化的方式将自然语言指令转换为带类型、感知副作用的代码有向无环图（DAG）。Agint 引入了明确的类型层次（文本 → 数据 → 规范 → 代码），基于语义图转换并结合 LLM 与函数的混合 JIT 运行时。这使得图的动态细化、可复现且可优化的执行、投机评估以及与现有开发者工具的互操作成为可能。

Agint 的类型化图绑定提升了可靠性，并通过构造方式支持代码库的并发组合，从而实现使用更小、更快模型的加速开发、降低延迟、提高上下文利用率和提升吞吐量。层次化编译支持可扩展的图编辑，而图结构本身支持可复现性和高效并行生成。

Agint 提供了可组合的类 Unix 工具链：

• dagify – DAG 编译器
• dagent – 混合 JIT 运行时
• schemagin – 模式生成器
• datagin – 数据转换器

这些组件实现了实时、低延迟的代码和数据流创建。人类开发者和编码代理通过 Agint CLI 对图进行细化，而非技术用户则使用 Agint Flow GUI 进行可视化编辑、对话式细化和调试，推动原型代理工作流向生产代码转化。这种持续的协同创作模型使团队能够快速原型、无缝细化并可靠部署，桥接自然语言、编译方法和开发者工具，进而在规模化环境中实现新一代可组合、以团队为中心的编码代理。

评论

• 18 页，5 张图
• 投稿至 NeurIPS 2025：Agentic Era 中的深度学习代码

主题

• 软件工程 (cs.SE)
• 机器学习 (cs.LG)

引用

@article{chivukula2025agint,
  title   = {Agint: Agentic Graph Compilation for Software Engineering Agents},
  author  = {Abhiram Chivukula},
  journal = {arXiv preprint arXiv:2511.19635},
  year    = {2025},
  url     = {https://arxiv.org/abs/2511.19635}
}

• arXiv: 2511.19635
• DOI: 10.48550/arXiv.2511.19635

提交历史

• v1 – 2025年11月24日 星期一 19:10:47 UTC (1,554 KB) – 由 Abhiram Chivukula 提交。