CollabCoder: Plan-Code Co-Evolution via Collaborative Decision-Making for Efficient Code Generation¶

会议: ACL 2026 Findings
arXiv: 2604.13946
代码: https://github.com/ihbkaiser/CollabCoder
领域: 代码生成 / 多智能体系统
关键词: 代码生成, 计划-代码共演化, 多智能体, 协作调试, 推理轨迹

一句话总结¶

本文提出 CollabCoder，一个计划-代码共演化框架，通过协作决策模块（CDM）判断错误应在计划层还是代码层修复，结合推理轨迹模块（RT）实现从错误中学习的自改进调试，在复杂编程基准上比强基线提升 11-20%，同时减少 4-10 次 API 调用。

研究背景与动机¶

领域现状：LLM 代码生成已从直接生成发展到"先规划后编码"的双阶段范式：第一阶段生成计划并编码，第二阶段精炼或调试。近年出现了 MapCoder、CodeSIM 等多智能体框架，将生成过程分解为检索、规划和调试的迭代流程。

现有痛点：(1) 调试主要是反应式的，缺乏错误归因机制，往往产生重复且效果有限的修改；(2) 计划模块在整个调试过程中保持固定不变，无法根据代码修改和中间反馈进行调整；(3) 现有系统的有效推理复杂度为 \(O(nk)\)，导致计算开销高。

核心矛盾：当代码错误源于计划层面的逻辑错误时，仅修改代码无法解决根本问题；但现有方法无法区分错误来源——应该修改计划还是修改代码。

本文目标：设计一个计划和代码可以协作演化的框架，能够自适应地判断错误来源并选择相应的修复策略。

切入角度：引入协作决策模块（CDM）从三个互补视角（计划分析、代码分析、计划-代码对齐分析）诊断错误，并引入推理轨迹模块（RT）积累历史调试经验。

核心 idea：计划和代码应该共同演化——调试不仅修复代码，也应在必要时修订计划，且调试策略应从历史失败中持续学习。

方法详解¶

整体框架¶

CollabCoder 针对的是"先规划后编码"范式里的两个老毛病：计划一旦定下就在整个调试过程中冻结，而调试又是反应式的、只会反复改代码却说不清错到底出在哪。它让计划和代码协作演化——框架由计划智能体 \(A_{\text{plan}}\)、编码智能体 \(A_{\text{code}}\) 和调试智能体 \(A_{\text{debug}}\) 组成，其中调试智能体内部再分出协作决策模块（CDM）和推理轨迹模块（RT）。每轮迭代里，代码跑测试失败后，CDM 先诊断这次失败该归咎于计划还是代码，RT 则带着历史调试经验给出具体修复策略，再交由对应智能体执行，修完重测进入下一轮，直到通过全部测试或触顶迭代上限。输入是题目描述，中间是一份随调试不断被修订的计划与代码，输出是通过测试的最终解。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400, 'subGraphTitleMargin': {'top': 8, 'bottom': 16}}}}%%
flowchart TD
    A["题目描述 P"] --> B["计划智能体 A_plan<br/>生成 / 修订计划 π"]
    B --> C["编码智能体 A_code<br/>生成 / 修订代码 c"]
    C --> T{"跑测试<br/>全部通过？"}
    T -->|是| Z["输出通过测试的最终解"]
    T -->|否（失败日志 F）| DBG
    subgraph DBG["调试智能体 A_debug：计划-代码共演化的一轮"]
        direction TB
        subgraph CDM["协作决策模块（CDM）：三视角定位错误来源"]
            direction TB
            E1["计划级分析 E_π"] --> AGG["置信-一致性聚合<br/>→ 决策 D"]
            E2["代码级分析 E_c"] --> AGG
            E3["计划-代码对齐分析 E_align"] --> AGG
        end
        AGG --> RT["推理轨迹模块（RT）<br/>累积历史经验 → 修复策略"]
    end
    RT -->|D=0：改计划| B
    RT -->|D=1：改代码| C

关键设计¶

1. 协作决策模块（CDM）：从三个视角定位错误真正的来源

当代码报错时，根因可能在实现细节，也可能在计划层的逻辑本身，单看代码无从分辨。CDM 在分析阶段并行做三种互补诊断——计划级分析 \(E_\pi^{(t)}\) 判断计划逻辑是否与失败现象自洽、代码级分析 \(E_c^{(t)}\) 假设计划正确时排查实现错误、计划-代码对齐分析 \(E_{\text{align}}^{(t)}\) 检查计划与代码的语义一致性。决策阶段再用置信-一致性聚合函数 \(D^{(t)} = \arg\max_{d} \sum_i w_i \cdot \phi_{i,d}^{(t)} \cdot \varphi_{H\setminus\{i\},d}^{(t)}\) 把三路诊断按权重和彼此一致性融合，输出"改计划"还是"改代码"。单一视角容易误判，三角度加权聚合则给出更可靠的错误归因。

2. 推理轨迹模块（RT）：让调试从历史失败里持续学习

先前方法把每次失败孤立处理，于是同一个无效改法被反复尝试。RT 维护一个持久的推理状态 \(R^{(t)}\)，每轮更新时联合考虑上一轮的历史调试上下文 \(R^{(t-1)}\)、本轮 CDM 的诊断信号 \(E_X^{(t)}\)、问题描述、当前解和失败证据，由此生成指导下一步修复的策略。把调试经验沉淀成可累积的状态，就避免了在"试错循环"里原地打转。

3. 计划-代码共演化流程：让错误在正确的层面被修掉

固定计划加反复修代码的僵化模式，碰到计划层逻辑错时根本无解。CollabCoder 在每轮迭代里由 CDM 输出修复目标（\(D^{(t)} = 0\) 改计划、\(D^{(t)} = 1\) 改代码），RT 配上相应策略，交对应智能体执行，修完重测再迭代。计划和代码因此能交替被修订、协同收敛，错误总能落到它真正该被修复的那一层。

损失函数 / 训练策略¶

CollabCoder 是无训练的推理时框架，不涉及任何梯度更新，所有"学习"都发生在 RT 的状态累积里。核心超参数为迭代次数 \(t = 5\)，CDM 三路诊断的信任权重 \(w_\pi = 0.4\)、\(w_c = 0.3\)、\(w_{\text{align}} = 0.3\)。框架对骨干模型无侵入，可直接套用 GPT-4o mini、Seed-Coder-8B、Qwen2.5-Coder-32B 等多种模型。

实验关键数据¶

主实验¶

Seed-Coder-8B 上的代码生成准确率（Pass@1 %）

方法	HE	HE-ET	MBPP	MBPP-ET	Avg	API Calls
CoT	82.32	75.00	75.06	50.13	70.63	1.00
MapCoder	79.88	70.12	73.55	49.12	68.78	9.84
CodeSIM	90.24	76.20	82.00	53.65	75.51	6.69
CollabCoder	87.20	78.05	83.37	56.42	76.26	5.06

在复杂基准上的表现（GPT-4o mini）

方法	LiveCodeBench	xCodeEval	API Calls
CodeSIM	39.60	20.26	8.41
ThinkCoder	36.91	18.93	9.00
CollabCoder	47.65	22.37	4.76

消融实验¶

配置	性能	说明
完整 CollabCoder	最优	CDM + RT 完整版
去除 CDM（仅修代码）	下降	无法修正计划层错误
去除 RT（无历史经验）	下降	重复无效修复
去除对齐分析	略降	减少错误归因准确性

关键发现¶

在难度较高的 LiveCodeBench 和 xCodeEval 上优势更明显：比 CodeSIM 提升 11-20%，同时减少约 4 个 API 调用
CDM 的错误归因准确率在迭代中持续提升，说明三角度分析的有效性
RT 模块显著减少了重复无效修复的次数，提高了调试效率
在简单基准（HumanEval、MBPP）上与 SOTA 持平，在复杂基准上明显超越

亮点与洞察¶

"修改计划还是修改代码"的决策机制抓住了代码调试中的核心痛点
推理轨迹的状态积累避免了"试错循环"——这是当前多智能体系统的常见问题
效率与效果双赢：更少的 API 调用+更高的准确率，在困难任务上优势尤为突出

局限与展望¶

CDM 的信任权重为固定超参数，可能不适用于所有任务类型
在简单任务上改进有限，开销可能不划算
依赖 LLM 的代码分析能力，对于 LLM 本身不擅长的编程范式可能效果受限
RT 的历史窗口有限，长调试序列中可能遗漏关键信息

评分¶

新颖性: ⭐⭐⭐⭐ 计划-代码共演化和协作决策机制是对现有代码生成智能体的重要改进
实验充分度: ⭐⭐⭐⭐⭐ 六个基准、三种骨干模型、效率分析、消融研究，非常全面
写作质量: ⭐⭐⭐⭐ 框架描述清晰，图示直观
价值: ⭐⭐⭐⭐ 在复杂编程任务上实现了效率与效果的双赢