Melika Sepidband、Jiho Shin、Song Wang 和 Hadi Hemmati 于 2026 年 11 月 9 日向 arXiv 提交 FlowPlan,介绍了一种通过程序抽象层面的规划与检查来降低编程智能体 token 成本的修复方法。作者报告称,在六组基准与模型组合中,token 消耗均有下降,其中五组达到统计显著性;相较原始智能体,问题解决率的变化均未达到统计显著性。[1]
FlowPlan 围绕每个函数的控制流图或数据流图,组织故障定位、修复规划和验证。修改源码前,智能体先在程序抽象上定位候选故障位置,并明确计划中的图结构变化。修改后,系统重新构建同类抽象,对照实际变化与原定计划。结束前还有一步针对完整修复的验证,但摘要没有说明这一步如何实现。[1]
作者报告的 token 消耗比例,低至 Claude Haiku 4.5 在 SWE-bench Verified 上的基线水平的 0.32–0.35 倍,高至 Sonnet 5 在 SecBench 上的 0.92–0.94 倍。作者将节省归因于减少修改后的反复阅读与测试、采用显式验证,以及缩小每次调用的上下文。这些均为论文报告的结果;解决率差异未达到统计显著性,并不能据此认定两者表现等同。[1]
[1]: FlowPlan 作者,arXiv,提交于 2026 年 11 月 9 日。https://arxiv.org/abs/2611.13241
来源
核查或更正本页
- 更正
- 提交更正请求 · 在 GitHub 编辑源文件 · 更正政策