LLM上下文的动态适配，用于生成具有耦合语义的 Routines

针对大语言模型在生成依赖运行时耦合语义的代码时存在的静态绑定局限，研究人员提出了一种动态上下文适应方法。该方法通过验证代理从执行轨迹中提取结构化诊断信息，为生成代理提供梯度式指导，并结合基于问题描述的知识图谱提供语义约束，同时利用模拟退火机制避免贪婪坍塌。实验结果显示，该方法在七个八项测试问题上优于零样本、Reflexion 和 OpenEvve 等基线模型，且在 300 至 600 次评估中表现最佳；在主要动机问题（交叉耦合优化）的 1000 次评估中也取得了最高分。消融实验进一步证实，结构化执行反馈是性能提升的主要驱动因素。