北大团队发布论文综述，解读代码Agent技术全景

9月19日消息，当前，AI Agent（代码Agent）技术正迎来商业应用的关键阶段，成为AI驱动软件开发领域最受瞩目的方向之一。北京大学李戈教授团队近期发表的《基于大语言模型智能体的代码生成综述》，基于对100篇高质量核心文献的分析与总结，系统梳理了代码生成智能体的核心进展、关键技术和未来发展趋势，为该领域的学术研究与工程实践提供了兼具深度和广度的产研视角。

论文下载地址：https://arxiv.org/abs/2508.00083，论文通讯作者为北京大学计算机学院长聘教授、教育部长江学者李戈，第一作者为北京大学计算机学院22级博士生董益宏。

代码智能体与以往代码生成技术的核心区别，体现为三大方面：

• 自主性：从被动补全到主动闭环。传统代码生成模型多被动辅助开发，而代码生成智能体能像人类开发者一样主动管理开发工作流，开发者角色从“代码编写者”转为“任务定义者、过程监督者与成果审查者。


• 任务范围的广泛性：从代码片段到软件开发全周期。以往聚焦局部任务，如今扩展到处理模糊需求、项目级编码实现、测试与重构、基于实时反馈的迭代优化等，覆盖软件开发的大部分任务，更贴近真实软件工程场景。


• 工程实践性增强：从算法精度到系统工程。早期研究关注提升模型的算法精度；如今代码智能体重心显著转向工程可靠性、复杂工作流管理与高效工具编排等问题，研究边界由“模型生成”扩展至系统设计、过程管理与人机协同等更贴近经典软件工程的范畴。

代码智能体按技术实现分为两大类：单智能体和多智能体代码生成方法。单智能体代码生成关键技术包括：

• 规划与推理技术：“先规划，后实现”范式，在生成具体代码前，先输出高层次的求解步骤，有效分解复杂任务。


• 工具集成与检索增强：集成编译器、网络搜索、静态分析器等外部工具，或利用 RAG 技术从代码库中检索相关信息，扩展模型能力边界。


• 反思与自改进：模拟人类编程中“生成—评估—修改”的过程进行自主迭代优化，实现代码质量的持续提升。

多智能体代码生成技术的核心在于设计高效的协作机制。例如：安排代码生成智能体系统中的工作流、实现智能体之间高效的信息交互与管理，以及通过协同优化将多个智能体转化为一个能力更强的整体系统，从而解决远比单个智能体所能处理的更大、更复杂的软件工程任务。

当前，代码生成智能体正深度渗透软件开发的全生命周期，在自动化代码生成与实现、自动化调试与程序修复、自动化测试代码生成、自动化代码重构与优化、自动化需求澄清等多个关键环节发挥作用，显著提升软件开发效率与质量。多智能体代码生成工具已从技术概念走向产业落地，且清晰地呈现出“编程助手→协同伙伴→自主开发团队”的进阶演进趋势。

尽管应用前景广阔，但《综述》同样指出了当前代码智能体所面临的严峻挑战。新一代软件开发范式——“人→智能体→结果”基于大模型的代码生成智能体，其意义远不止于提升编码效率，它正深刻地变革软件开发范式。《综述》在最后展望了这一新兴领域未来的长期核心研究方向。目前，我们仍处于“人+智能体→软件”的协作范式中。在此模式下，人类开发者保留核心主导地位，利用智能体加速编码、调试与维护等环节。但未来，一个全新的“人→智能体→结果”范式正在演进而来。在这个新范式下，智能体系统本身成为了封装整个问题解决流程的“即时软件服务”。人类开发者的角色从软件的“构建者”，上升为最终结果的“提供者”，人只需在更高的抽象层次上描述意图，而智能体系统则会自主地完成从即时编码、执行到交付最终成果的全过程。这无疑对智能体系统的自主性、可靠性和端到端任务完成能力提出了前所未有的要求。但正如文中所展望的：随着这些挑战的逐步攻克，代码生成智能体将从根本上重塑软件工程的面貌，将开发者从繁琐的编码工作中解放出来，更专注于创造性的问题定义与系统设计（定西）