摘要
代码翻译在实际应用时的挑战：不完备的上下文理解，不灵活的prompt设计，不完备的错误修复方法。
设计RepoTransAgent，多智能体框架实现repository-aware code translation，
具体实现：将翻译任务分解为特定的子任务，包括context retrieval，dynamic prompt construction和iterative code refinement，每个过程使用专用的agent
一. Introduction
现有工作缺陷：
- rule-based 系统难以处理复杂的语法结构和缺乏处理多重programming contexts的控制
- 基于prompt方法过于简单和静态，难以处理动态多样化的repository contexts
挑战： - 传统静态分析，包括call graphs和program dependency graphs，难以直接向LLM解释，同时引入了冗余和不相关信息
- prompt设计难以处理动态和变化的repo context
- 错误修复过度依赖于test case的执行，而不是提供可行动的guidance和comprehensive context
RepoTransAgent，将repo-level的代码翻译转换为特定的子任务：检索语义近似的functions，收集相关的上下文信息，并且执行迭代的code generation和refinement
Agent设计： - RAG Agent：基于检索从repo中识别与检索与source function语义相似的function
- Context Agent：使用特殊tools增量式收集必要的上下文信息，关注于code translation最重要的相关components
- Refine Agent：基于source function，target function signature和RAG，Context Agent检索到的comprehensive information完成翻译过程，同时执行test cases，收集执行的feedback进行反思生成，生成targeted suggestions
动态和可适应的prompting模板：
静态组件：包括Goals，Guidelines和Examples，明确目标任务，基本原则和工作流
动态组件：涵盖Gathered Context，Input和Last Command，使得智能体根据具体输入和之前上下文适应不同的工具
评测：
基于6个popular open-source projects收集数百个Java-C# translation pairs。翻译效果超越baseline，同时发现大多数的错误为编译错误
二. Motivation
2.1 Motivation Examples
示例：从camel case（驼峰)到 snake case（蛇形）function 从Java翻译为C#，挑战如下：
- 缺乏Context Retrieval的静态分析： 需要LLM识别和理解dependencies，invocation relationships和相似的function implementations用于指导翻译过程。传统方法基于call graphs和program dependency graphs收集必要的context，但是该信息难以转换为对LLM正确理解的格式。静态分析方法依赖于预定义规则和模式匹配，难以适应代码结构和外部依赖的动态变化。同时静态分析引入无关上下文。
- 固定Prompt设计提示不足：前序工作依赖于简单和固定的prompt designs，难以捕捉functions间结构和功能的差异，同时难以在varying contexts足够适应
- 错误机制纠正不足： 仅依赖erroneous code和related test failures难以正确的修复错误，错误信息可能是由于class symbol难以找到（当未提供解决方案信息），正确的修复应当是理解错误根因，收集必要上下文，之后得到target fixes
2.2 Key Ideas
- 多智能体framework：基于RAG、Context、Refine Agent，每个subtask交给专门的agent
- 基于工具引入的智能Context检索： 设计五个专用工具，允许agent选择性引入context。减少冗余context和提升翻译效率。并基于推理能力解释代码中自然语言描述，和利用语义知识推断语义信息，实现更为京都企鹅的上下文检索，以及处理传统静态分析的不灵活和冗余现象
- 动态Prompt Construction：在Context 和 Refine设置动态和well-structured prompts。静态包括Goal、Guidelines、Example和Output，而动态信息基于agent当前state，如Input基于被翻译的source function更新，Gathered Context协同前序收集的信息
- 上下文分析提升Error Correction：基于faulty code 和 test outputs分析error causes，之后提出针对性修复策略，指示agent重新调用工具，收集识别错误信息相关的上下文
三. Approach
3.1 Overview
- RAG Agent：检索与目标函数相似的函数，以协助翻译原函数
- Context Agent：检索需要的上下文信息，用于翻译原函数
- Refine Agent：将翻译的代码迭代优化，基于test cases results生成reflections，并基于error messages重新检索context，再进行修正
3.2 RAG Agent
RAG Agent主要包括4个部分：Preprocessing，Selective Retrieval，Multi-Route Retrieval 和 Result Filtering
1）Preprocessing
首先预处理metadata，并将其两个截然不同的components生成对应的embedding
first component：所有source-target translation pairs 的 method bodies
second component：target repo所有methods的function names
存储至两个database中，指向pair store 和 name store
2）Selective Retrieval
在启动RAG之前，让Agent决定target function是否需要RAG协助。基于目标函数是否独立且具备足够的简单性，若Agent判断不需要RAG，则绕过RAG过程
3）Multi-Route Retrieval
该RAG包括两个互补部分
- first component：检索与当前source function相似的source-target translation pairs，基于BM25和余弦相似度检索，并基于Reciprocal Rank Fusion（RRF）精排
- second component：检索与target function名字最相似的top-k function
4）Result Filtering
并不是检索到的所有function是有助于翻译的，要求Agent基于functional similarity，structural resemblance 和 referenced context决定去留
3.3 Context Agent
基于Context Agent获取repository-aware 代码翻译的必要context
1）Workflow
基于相关的source 和 target functions，构建动态的prompts，确定引入什么工具。当确定后，Context Agent调用指定的工具获取相应的输出。之后，基于信息不断重建动态的prompt。
直至到达最大迭代次数 或者 agent确定获取足够的上下文
2）Tool Introduction
主要包括如下5类工具
- get_source_class_info：获取包含source function的class的所有field definitions和method signatures
辅助agent推断class是否包括该instance，有助于agent探索source function的class在target repo如何实现 - get_target_class_info：获取包含target function的class所有的field definitions和method signatures，
辅助agent理解在target function引入什么样的field和methods - find_target_imports：检索包含目标函数的文件中所有导入的类，揭示target class间的依赖关系
- find_target_class_info：给定class name，在target repo中检索所有field definition information和method signature information包括class。如果代理认为某个类在target function中被引用的可能性很高，这个工具功能可以有效地帮助代理找到关于该类的相关信息
- find_target_method_body：给定class name 和 method name，获取method body，便于agent在target function更好的利用该method，或决定是否使用该method
首先要求agent使用get_source_class_info，get_target_class_info和find_target_import，获取与source function相关的基本信息，之后基于获取的信息进行翻译，同时基于find_target_class_info和find_target_method_info多次得到更为具体的信息。所有的信息为JSON格式
3）Dynamic Prompt Construction
prompt主要包括如下部分：
- Goals（Static）：收集最相关的信息，辅助repo 代码翻译
- Tools（Static）：所有tools的定义，包括names，parameters 和 descriptions
- Guidelines（Static）：首先要求Agent使用get_source_class_info，get_target_class_info和find_target_imports，来获取source function的相关基本信息。之后，指导使用find_target_class_info和find_target_method_body收集足够的context，包括识别新的类型依赖，验证接口实现，解析packages到namespace的mappings
- Example（Static）：设计示例如何正确使用工具序列，收集必要的上下文
- Input（Dynamic）：包括source function和target function signature，用于收集context，指导agent收集与source function相关的信息
- Gathered Context（Dynamic）：基于tool检索的信息，作为agent memory确定调用下一个合适的工具
- Output Format（Static）：输出格式统一使用JSON object
- Last Command（Dynamic）：记录调用的tool序列和返回的output，提示agent反思是否存在缺陷，并避免重复调用工具
3.4 Refine Agent
作为代码翻译和迭代error correction的核心部分。基于test case执行和self-reflection方法迭代提升翻译质量
1）Initial Generation
Agent接受source function body和target function signature作为输入，最后附带Context Agent的上下文信息和RAG Agent的similar function，输出markdown格式的翻译代码
2）Test Execution
收集和分析test execution results，主要包括如下4类错误：
compilation errors，test failures，runtime errors 和 non-terminating executions
收集 error logs，error classifications，output messages 和 precise error locations辅助针对性修正
3）Reflection
检查source function，target function signature，generated erroneous code 和 相关的 test execution results
确定哪里出错以及为何错误
4）Error Correction
增加信息，包括上轮的错误代码，详细的测试执行结构，agent的反思和修复策略
不断迭代，直至修复成功
四. 实验
4.1 Dataset
包括6个highly-rated Github projects，提取Java-C#翻译pairs，包括对应的test cases
4.2 Baselines
选择3个，分别为UniTrans 和 PLTranslation，以及直接使用LLM翻译，不用Agent框架
4.3 Evaluation Metrics
compile rate 和 pass rate
五. 结果与分析
- RQ1：Effectiveness Comparison.相较于baseline的翻译效果
- RQ2：Ablation Study
- RQ3：不同模型下的效果
翻译效果（基于Deepseek v3）：
翻译结果的交集：
不同类型的错误分布：
Case Study：
CellPropertyType：通过find_target_imports发现未引入CellUtils，而是等价的CellPropertyType
collectCount：
消融实验：
