DeepCode: Codificação Agêntica Aberta
DeepCode: Open Agentic Coding
December 8, 2025
Autores: Zongwei Li, Zhonghang Li, Zirui Guo, Xubin Ren, Chao Huang
cs.AI
Resumo
Os recentes avanços em grandes modelos de linguagem (LLMs) deram origem a agentes de codificação poderosos, tornando possível que assistentes de código evoluam para engenheiros de código. No entanto, os métodos existentes ainda enfrentam desafios significativos para alcançar uma síntese de alta fidelidade de documento para base de código—como a conversão de artigos científicos em código—principalmente devido a um conflito fundamental entre a sobrecarga de informação e os gargalos de contexto dos LLMs. Neste trabalho, introduzimos o DeepCode, uma estrutura totalmente autônoma que aborda fundamentalmente esse desafio por meio de um gerenciamento principiado do fluxo de informação. Ao tratar a síntese de repositórios como um problema de otimização de canal, o DeepCode orquestra perfeitamente quatro operações de informação para maximizar sinais relevantes para a tarefa sob orçamentos de contexto finitos: compressão da fonte via destilação de blueprint, indexação estruturada usando memória de código com estado, injeção condicional de conhecimento via geração aumentada por recuperação e correção de erros em circuito fechado. Avaliações extensivas no benchmark PaperBench demonstram que o DeepCode alcança desempenho de ponta, superando decisivamente agentes comerciais líderes como Cursor e Claude Code e, crucialmente, superando especialistas humanos de nível doutoral de institutos de elite em métricas-chave de reprodução. Ao transformar sistematicamente especificações de artigos em implementações de nível de produção comparáveis à qualidade de especialistas humanos, este trabalho estabelece novas bases para a reprodução científica autônoma que pode acelerar a avaliação e descoberta de pesquisas.
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.