Sujoy Roychowdhury, Joseph H. R. Isaac, Jiangning Gao, Martin Klitte, Diarmuid Corcoran · 2026 · arXiv
DOI: 10.48550/arXiv.2610.30016 · open-access PDF
إن فهم قواعد الكود الكبيرة، المعقدة والمتناسقة تتطور بسرعة لا تزال تحديًا أساسيًا لتصنيع البرمجيات على نطاق واسع، مما يمنع إدراجها، وصيانتها، وتقييم التأثير. توفير هذه المعلومات إلى نموذج لغة واسعة (LLM) هو تحدي آخر، حيث يجب على LLM فهم ليس فقط طريقة الكود المطلوبة ولكن أيضًا أساليبها ذات الصلة في خطة كبيرة من محفظة.
Machine translation (Meta M2M100); the English original follows.
Understanding large, complex, and rapidly evolving code bases remains a core challenge for software engineering at scale, hindering onboarding, maintenance, refactoring, and impact analysis. Providing this information to a Large-Language Model (LLM) is another hurdle, as the LLM must understand not only the required code method but also its associated methods in the grand scheme of the repository. We propose Code Comprehensor, a hybrid retrieval-reasoning framework combining (i) a code dependency callgraph, (ii) CodeScribe, which uses code-aware LLMs to generate hierarchical documentation acro
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.30016, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange