DeepCode: Open Agentische Codeeromgeving
DeepCode: Open Agentic Coding
December 8, 2025
Auteurs: Zongwei Li, Zhonghang Li, Zirui Guo, Xubin Ren, Chao Huang
cs.AI
Samenvatting
Recente ontwikkelingen in grootschalige taalmodel(len) (LLM's) hebben krachtige codeeragenten voortgebracht, waardoor code-assistenten kunnen evolueren naar code-ingenieurs. Bestaande methoden kampen echter nog steeds met aanzienlijke uitdagingen bij het realiseren van hoogwaardige synthese van document-naar-codebase – zoals van wetenschappelijke artikelen naar code – voornamelijk vanwege een fundamenteel conflict tussen informatie-overload en de contextbeperkingen van LLM's. In dit werk introduceren we DeepCode, een volledig autonoom raamwerk dat deze uitdaging fundamenteel aanpakt via principekwestie-informatieflowmanagement. Door repositoriesynthese te behandelen als een kanaaloptimalisatieprobleem, orchestreert DeepCode naadloos vier informatie-operaties om taakrelevante signalen te maximaliseren onder beperkte contextbudgetten: broncompressie via blauwdrukdistillatie, gestructureerde indexering met behulp van stateful codegeheugen, conditionele kennisinjectie via retrieval-augmented generation en gesloten-lus foutcorrectie. Uitgebreide evaluaties op de PaperBench-benchmark tonen aan dat DeepCode state-of-the-art prestaties bereikt, waarbij het beslissend beter presteert dan toonaangevende commerciële agenten zoals Cursor en Claude Code, en cruciaal genoeg, zelfs PhD-niveau menselijke experts van topinstituten overtreft op belangrijke reproductie-indicatoren. Door paperspecificaties systematisch om te zetten in productieklasse implementaties die vergelijkbaar zijn met menselijke expertkwaliteit, legt dit werk nieuwe fundamenten voor autonome wetenschappelijke reproductie die onderzoeksevaluatie en -ontdekking kunnen versnellen.
English
Recent advances in large language models (LLMs) have given rise to powerful coding agents, making it possible for code assistants to evolve into code engineers. However, existing methods still face significant challenges in achieving high-fidelity document-to-codebase synthesis--such as scientific papers to code--primarily due to a fundamental conflict between information overload and the context bottlenecks of LLMs. In this work, we introduce DeepCode, a fully autonomous framework that fundamentally addresses this challenge through principled information-flow management. By treating repository synthesis as a channel optimization problem, DeepCode seamlessly orchestrates four information operations to maximize task-relevant signals under finite context budgets: source compression via blueprint distillation, structured indexing using stateful code memory, conditional knowledge injection via retrieval-augmented generation, and closed-loop error correction. Extensive evaluations on the PaperBench benchmark demonstrate that DeepCode achieves state-of-the-art performance, decisively outperforming leading commercial agents such as Cursor and Claude Code, and crucially, surpassing PhD-level human experts from top institutes on key reproduction metrics. By systematically transforming paper specifications into production-grade implementations comparable to human expert quality, this work establishes new foundations for autonomous scientific reproduction that can accelerate research evaluation and discovery.