Code Comprehensor：大型代码库的分层文档与跨模态检索

理解大型、复杂且快速演化的代码库仍是大规模软件工程面临的核心挑战，阻碍了入门、维护、重构和影响分析。将这些信息提供给大型语言模型（LLM）也是一大难题，因为 LLM 不仅必须理解所需的代码方法，还必须从整个代码库的宏观角度理解与之关联的方法。我们提出了 Code Comprehensor，这是一种结合以下组件的混合检索—推理框架：(i) 代码依赖调用图；(ii) CodeScribe，利用代码感知型 LLM 在代码库调用图上生成分层文档；(iii) CodeContrast，一种在 CodeScribe 输出上训练、用于学习对齐的文本—代码嵌入的 CLIP 风格双编码器模型。CodeContrast 能够快速且语义精准地检索相关代码上下文邻域，为基于 MCP 的 LLM 编排器回答领域特定查询提供有依据的证据。在 OpenCV 和一个包含 5M-LOC 的专有代码库上的评估表明，与基线方法相比，源自 CodeScribe 的监督显著提升了文本到代码准确率方面的跨模态检索性能。更丰富的文本监督（分层文档、父级/同级上下文以及由 LLM 生成的合成问题）在两个代码库中都持续提升了性能。使用广受欢迎的 RAGAS 对 Code Comprehensor 输出进行 LLM-as-a-judge 评估，所得忠实度得分超过 90%。