通过编译器与大语言模型协作进行智能体代码优化（arXiv 2026）

原题：Agentic Code Optimization via Compiler-LLM Cooperation

一句话总结：ACCLAIM 让引导智能体在 C 源码、LLVM 中间表示和 x86 汇编三层选择模型改写或编译器 pass，并用自动生成测试筛掉错误候选；在 100 个 CodeNet 程序上相对 clang -O3 几何平均加速 1.25 倍，优于单层与等预算组合基线，但收益集中在少数程序，正确性仍只是有限测试而非翻译验证。

问题与动机

编译器擅长通用、确定且保语义的局部变换，却可能看不到需要理解算法意图的改写；大语言模型可以做高层算法变化，却在低层语言中频繁生成错误代码。已有工作通常只在一个抽象层优化，因此无法让模型改写与后续编译器优化相互启发。

ACCLAIM 将编译流水线本身变成智能体可调用的工具图，目标是在固定模型预算下寻找“模型改写—编译器降级或重写”的组合顺序。

关键观察 / 隐含假设

观察 1：不同抽象层暴露不同优化机会。 模型可在源码或 LLVM 中间表示识别算法和 intrinsic，编译器再完成向量化等可靠变换（§2，图 2）。
- 依赖假设：跨层改写存在协同，而非绝大多数收益都能在源码层获得。
观察 2：低层生成的主要瓶颈是正确率。 每批至少一个正确候选的比例在源码层为 85%，LLVM 中间表示为 41%，汇编为 57%（§4.4，表 3）。
- 依赖假设：编译、有限测试和参考输出足以剔除有害改写。
观察 3：反馈循环比同预算平行采样更有效。 把更多预算用于根据失败测试继续修正，优于只扩大一次采样；总预算从 6 个层级调用提高到 18 个时，平均加速由 1.19 倍升到 1.25 倍（§4.5）。
假设 1：竞赛程序代表值得优化的基础设施代码。 论文从 CodeNet 选取存在至少 10% 解法性能差的程序，这主动富集了优化机会。
- 证据强度：弱。数据不含大型服务、并发、I/O、未定义行为和长期维护约束。

核心方法

引导智能体可调用 LLVM 前端、中端、后端，以及源码、LLVM 中间表示、x86 汇编三个专用优化智能体。编译器调用不计模型预算；专用智能体调用消耗一单位预算，允许重复调用和回退。预算耗尽时，系统把当前最佳高层程序交给常规编译器完成降级（§3.2–3.4，图 3）。

每个层级智能体并行生成候选，测试后保留最快的正确版本，再把编译错误或失败用例反馈给下一轮。测试智能体先根据原程序生成确定性输入脚本，每次产生 10 个边界正确性输入和 5 个跨数量级性能输入；候选输出与原程序比较（§3.5）。

设计取舍

自由跨层编排：能够发现相位排序协同，但搜索空间大、模型成本高且难解释单层贡献。
测试而非等价证明：通用且能提供具体反馈，却会漏掉稀有输入、未定义行为和数值差异。
模型负责调度模型：减少手写启发式，但较弱模型常因工具调用格式错误而失败。
边界条件：适合纯函数式、可快速执行并有参考实现的 CPU 程序；不直接适合外部状态、并发、实时或安全关键代码。

实验与结果

从 CodeNet 清洗出 5,640 个有可测优化空间的 C 程序，主比较随机取 100 个；使用 LLVM 18.1.3、96 核 Xeon、Claude 3.7 Sonnet，每次最多一小时（§4.1–4.2）。
相对 clang -O3，ACCLAIM 几何平均加速 1.25 倍；源码、LLVM 中间表示、汇编和单层组合基线分别为 1.18、1.04、1.03 和 1.02 倍（表 2）。
中位数仅 1.10 倍，第 75 百分位 1.16 倍，第 99 百分位 16.97 倍；一个网格搜索程序因算法和内存分配改写达到 1,384 倍，显示均值受少数长尾胜例影响（§4.3，图 4–5）。
引导智能体会回到更高层重新开始；源码、LLVM 中间表示和汇编智能体被重复调用的比例分别为 42%、9% 和 38%（§4.4）。

论断—证据表

论断	证据	评测边界	置信度
跨层协作优于单层优化	表 2：1.25 倍，最佳单层 1.18 倍	100 个经过机会富集的 CodeNet C 程序	中到强
低层生成受正确率限制	表 3：正确批次比例 41%–57%，源码为 85%	Claude 3.7 Sonnet、固定采样设置	中
更多反馈预算继续改善结果	§4.5：1.19 倍→1.25 倍	预算只测两个主要点，成本未统一换算	中
输出程序保持语义	§3.5：自动输入脚本与参考输出比较	每轮 15 个输入；无完整等价证明	弱

批判性分析

论证链条

同预算单层和组合基线能隔离“跨层编排”收益，分析也承认源码层贡献最大。论文最脆弱的跳步是把“测试通过”视作约束满足：引导智能体能反复适应测试生成器，仍可能留下未测行为差异。

假设压力测试

CodeNet 程序短、接口封闭且参考实现可运行。系统代码中的线程交错、文件系统状态、系统调用副作用、浮点误差与长期 ABI 兼容无法用 15 个输入覆盖。若源码优化已吃掉大部分机会，跨层智能体的额外成本可能不值 7 个百分点的几何平均增益。

实验可信度

统一预算和 clang -O3 强基线较公平；随机取样只来自预筛的“有性能差异”集合，会高估普通代码库命中率。最强 1,384 倍案例反映原程序明显低效，不代表常见编译器缺口。

系统性缺陷

每个程序需要大量模型调用，成本随源码长度增长。没有处理沙箱逃逸、资源耗尽、编译器未定义行为、跨平台重现和生成补丁的可维护性。模型与编译器版本变化也会改变搜索轨迹。

局限与后续工作

局限 1：只有 CPU、C、LLVM 和 x86；数据集是竞赛程序而非生产服务。
局限 2：正确性依赖测试，论文自己建议用 Alive2 等翻译验证替换测试智能体。
后续工作 1：在大型开源系统的热点函数上，以隐藏模糊测试、翻译验证、跨编译器与跨架构重放共同检查语义。
后续工作 2：报告每个成功加速的模型调用成本和盈亏平衡执行次数，判断离线搜索是否值得。

Awesome System Papers Wiki

探索

ACCLAIM-arXiv26