核心发现
方法论
本文提出基于Dual-DAG的连续结构演化框架Repo0，结合模块度指标引导组件边界调整。流程包括需求分析、初始架构生成、模块化演化循环及验证反馈。通过多轮结构动作（拆分、合并、修订）优化架构，直至收敛。架构状态由需求层DAG、组件层DAG及其对齐关系构成，确保可追溯性。利用GPT-5 mini和DeepSeek V3.2在六个真实仓库上验证，结果显示在功能覆盖率和通过率方面优于最强基线RPG。
关键结果
- 在六个RepoCraft仓库中，Repo0在功能覆盖率最高提升20.08个百分点，Pass Rate最高提升29.74个百分点。相较RPG，性能显著增强，验证了结构演化的有效性。ablation分析表明Dual-DAG和模块度指标对性能提升起关键作用。模型在复杂依赖和模块边界调整方面表现优越，展示了连续架构优化的潜力。
- 多轮结构演化显著改善了组件边界合理性，减少了耦合度，提升了代码的模块性和可维护性。验证反馈机制确保了架构与代码的一致性，有效避免了静态设计的局限。
- 实验还揭示了未受控的结构调整可能导致架构碎片化，强调了指标引导的重要性，为未来自动化架构优化提供理论基础。
研究意义
该研究突破了传统静态架构规划的限制，提出动态演化模型，极大提升了从自然语言需求到完整软件系统的自动化能力。对软件工程自动化、AI辅助开发具有深远影响，有助于实现端到端的自主软件生成，降低开发成本，提升开发效率。该框架也为未来智能软件设计提供了理论支撑，推动软件工程向更高的自动化和智能化迈进。
技术贡献
创新点在于引入Dual-DAG结构，明确需求与实现的分离，结合模块度指标引导架构演化。提出连续演化循环机制，有效解决静态规划的局限。结合TDD流程实现代码生成的闭环优化，确保架构与实现同步。实证验证了指标引导的结构收敛性，显著优于静态规划方法，推动了自动软件工程的前沿发展。
新颖性
首次提出基于Dual-DAG的连续结构演化框架，用模块度指标引导架构调整，突破以往静态设计的限制。区别于传统的单阶段规划方法，强调动态适应需求变化，确保架构的持续优化。这一创新为零到全代码生成提供了全新思路，具有开创性意义。
局限性
- 当前方法对复杂依赖和大规模项目的适应性仍有限，演化过程可能耗时较长。指标设计虽有效，但在极端场景下可能引入误导。模型对需求理解依赖LLM的能力，存在一定不确定性。未来需优化演化策略，提高效率和鲁棒性。
未来方向
未来将结合强化学习优化结构演化策略，提升收敛速度。探索多模态需求理解，增强对复杂场景的适应性。还计划引入更高效的指标体系，减少演化轮次，推动自动化架构设计的实用化。
AI 总览摘要
随着大型语言模型（LLMs）在代码生成领域的突破，自动化软件开发迎来了新的机遇。然而，现有系统大多依赖预定义的仓库架构，难以应对从自然语言需求到完整软件系统的零到全代码生成场景。传统方法将架构设计视为一次性规划，忽视了架构在开发过程中的动态演化需求，导致生成的代码在模块性和可维护性方面存在不足。
本文提出Repo0框架，基于Dual-DAG结构实现连续的架构演化。该方法从自然语言需求出发，逐步通过结构动作（拆分、合并、修订）优化组件边界，利用模块度指标引导架构收敛，确保架构的合理性和可追溯性。整个流程包括需求分析、初始架构生成、结构演化循环以及验证反馈，形成闭环优化机制。实验在六个真实仓库上验证，结果显示Repo0在功能覆盖率和通过率方面均优于最先进的静态规划方法RPG，提升幅度达20%以上。
这一创新不仅突破了静态架构设计的局限，也为自动化软件工程提供了新思路。通过动态适应需求变化，持续优化架构，极大提升了软件开发的效率和质量。未来，结合强化学习和多模态需求理解，Repo0有望实现更高效、更智能的自动软件生成，推动行业迈向真正的自主开发时代。
深度分析
研究背景
软件工程领域经历了从手工设计到自动化生成的演变。早期方法如基于模板和规则的自动化工具，逐步发展到利用大模型进行代码生成。代表性工作包括CodeX、GPT-4在代码理解与生成方面的突破，以及Graph-based方法如RPG，强调架构规划的重要性。然而，这些方法大多假设架构已定，缺乏对架构动态演化的支持，难以应对复杂需求变化。近年来，强调架构连续优化的研究逐渐兴起，试图解决静态设计的局限，但仍未充分结合需求驱动的结构调整机制。
核心问题
核心问题在于如何在没有预定义架构的情况下，从自然语言需求出发，自动构建符合软件工程原则的模块化架构。传统方法多依赖一次性规划，忽视开发过程中的需求变动和架构调整，导致生成的代码难以维护和扩展。零到全代码生成面临的挑战包括需求理解、架构设计、组件划分和依赖管理的多重难题。缺乏动态架构调整机制，限制了自动化水平的提升，亟需一种能够持续优化架构的创新框架。
核心创新
本文的创新点主要体现在：1）提出Dual-DAG结构，明确需求层与实现层的分离，增强架构的可追溯性和可调节性；2）引入连续结构演化机制，通过指标引导组件边界调整，避免静态规划的僵化；3）结合模块度指标（如内聚、耦合）实现自动化架构优化，确保架构符合软件工程原则；4）在代码生成中融入验证反馈，形成闭环优化流程。这些创新共同推动了从需求到代码的自动化、动态化全过程。
方法详解
- �� 需求分析：利用LLM提取高层需求，分解为子需求，构建需求层DAG。
- �� 初始架构：基于需求生成初步组件，建立组件层DAG及其对齐关系。
- �� 结构演化：通过拆分、合并、修订等动作，结合模块度指标（如内聚、耦合）调整组件边界。
- �� 指标引导：利用内聚度、耦合度、连通性等指标评估架构合理性，驱动演化。
- �� 结构收敛：持续演化直到满足收敛条件，确保架构稳定。
- �� 代码生成：在验证反馈基础上，逐步实现组件，采用测试驱动开发（TDD）确保正确性。
- �� 反馈机制：验证失败时进行局部修复，保证架构与代码一致性。
实验设计
在六个RepoCraft真实仓库上，采用GPT-5 mini和DeepSeek V3.2模型，比较Repo0与RPG、Paper2Code等基线。指标包括功能覆盖率、通过率和任务完成度。设置多轮结构演化，验证指标引导的收敛效果。通过消融实验，分析Dual-DAG和指标的重要性。评估模型在复杂依赖、多模块场景下的表现，确保结果的稳健性和泛化能力。
结果分析
实验结果显示，Repo0在六个仓库中，功能覆盖率最高提升20.08个百分点，Pass Rate最高提升29.74个百分点，显著优于RPG。多轮演化后，架构边界更合理，组件内聚增强，耦合降低。指标引导的收敛机制有效避免了过度拆分或合并，提升了代码质量和维护性。ablation分析确认Dual-DAG和指标的关键作用，验证了连续演化的优越性。
应用场景
该方法适用于自动化软件开发、代码生成工具、智能集成开发环境（IDE）等场景，尤其在需求频繁变动、复杂系统设计中表现出色。可降低开发成本，加快产品迭代速度。未来还可结合自动需求理解、多模态输入，扩展到多语言、多平台软件的自动生成，推动行业智能化升级。
局限与展望
目前方法在处理极大规模项目时仍存在效率瓶颈，演化轮次较多可能导致时间成本上升。指标设计在某些极端场景下可能误导架构调整。对LLM的依赖也带来理解偏差风险，未来需引入更鲁棒的评估机制。此外，复杂依赖关系和多团队协作场景仍需优化，确保架构演化的稳定性和适应性。
通俗解读 非专业人士也能看懂
想象你在厨房做饭，没有提前准备好所有食材和步骤，而是根据每一步的情况不断调整。比如，发现某个调料用多了，就换个调料，或者发现某个菜太多，就分成两个锅继续炒。这个过程就像Repo0在开发软件时不断调整架构，确保每个部分都合理，最后做出一盘美味的菜。它不是一开始就设计好全部菜单，而是边做边改，直到所有菜都做好，味道正宗。这种灵活调整让整个厨房操作更高效，也更符合实际需求。
简单解释 像给14岁少年讲一样
你知道做饭的时候，有时候会突然发现需要多点盐，或者发现某个菜放太多了，要换个锅继续炒？其实，做软件也差不多。以前的人会提前把所有步骤都计划好，然后一股脑儿照着做，但这样不太灵活。如果需求变了，架构也得重新设计，太麻烦了。现在的办法像是边做边调整，发现哪里不对就改一改，把菜炒得更好。Repo0就是用这种“边做边改”的方法，自动调整软件的结构，让它更符合需求，最后做出一份完美的软件菜肴。
术语表
Dual-DAG (双向有向无环图)
一种同时表示需求层和组件层关系的图结构，确保需求与实现的追溯性与可调节性。
在论文中用以描述软件架构的核心状态，支持连续演化。
模块度指标
衡量软件架构中组件的内聚性和耦合度，用于指导架构优化。
引导结构拆分、合并等动作，确保模块合理性。
结构演化
在软件开发过程中不断调整和优化架构的过程，以适应需求变化。
核心机制，确保架构持续收敛到最优状态。
TDD (测试驱动开发)
一种开发流程，先编写测试用例，再实现代码，确保功能正确。
在代码生成阶段用以验证架构合理性。
开放问题 这项研究留下的未解疑问
- 1 如何在极大规模项目中保持演化效率？未来是否能实现完全自动化的架构收敛？
- 2 指标设计如何适应不同软件类型和复杂度？
- 3 多模态需求理解在架构演化中的作用和潜力。
应用场景
近期应用
自动化软件开发工具
结合Repo0实现从自然语言需求到完整代码的自动生成，降低开发门槛，提升效率。
智能集成开发环境（IDE）
在IDE中集成结构演化机制，实时优化架构设计，支持快速原型开发。
远期愿景
自主软件工程系统
实现完全自主的需求理解、架构设计和代码生成，推动软件行业向自动化迈进。
原文摘要
Large language model agents have made substantial progress in code generation, yet most existing systems assume a predefined repository architecture. This assumption does not hold in zero-to-all code generation, where an agent must construct an entire software project directly from natural-language requirements while maintaining a modular repository architecture throughout development. We present Repo0, a continuous structural evolution framework for zero-to-all code generation. Repo0 maintains an explicit architectural state instantiated as a Dual-Directed-Acyclic-Graph (Dual-DAG), consisting of a requirement-level DAG, a component-level DAG, and their alignment relation. Starting from natural-language requirements, it iteratively evolves component boundaries through structural actions guided by modularity metrics until structural convergence, after which the converged architecture guides test-driven development code generation. We evaluate Repo0 on six real-world repositories from RepoCraft using GPT-5 mini and DeepSeek V3.2. Repo0 achieves the highest Functionality Coverage and Pass Rate across all settings. Compared with RPG, the strongest repository-planning baseline, Repo0 improves Functionality Coverage by up to 20.08 percentage points and Pass Rate by up to 29.74 percentage points. Ablation and structural-evolution analyses further demonstrate the importance of the Dual-DAG architectural state, modularity-guided structural evolution, and explicit structural convergence.