LARGER: Lexically Anchored Repository Graph Exploration and Retrieval
Yuntong Hu, Tongli Su, Liang Zhao, Bowen Zhu, Hasibul Haque
cs.IR, cs.AI, cs.LG
2026-05-08
LARGER不给agent新的图工具，只把AST图上的调用者和被调用者写进现有grep结果。LocBench文件Acc@5从Codex的74.1%升到87.0%，墙钟时间大约减半。
仓库级 agent 先要定位。Claude Code、Codex 这类 CLI agent 靠 grep，快，但看不见 import、调用链、类型层级和代码-测试关系。LocAgent 那一类给模型新的图查询动作，召回更好，交互环被拆成「先查图、再搜文本」。Emory 这篇问的是：能不能既用上结构邻居，又不新增工具、不另开图数据库。
他们把任务写成「词面锚定的结构定位」：agent 自己的那次 grep 就是锚，图只负责把锚点周围高置信的局部邻域写回同一次搜索输出。
仓库编成异构图，节点是目录、文件、类、函数，边覆盖 contains、imports、invokes 和跨产物链接（源到测试、源到文档）。边带来源置信度，社区检测给子系统先验。图存在 sidecar 里，按 commit diff 做惰性对齐，改过的文件才重解析。
每一步：策略模型仍只发出普通搜索；命中对齐到图节点，成为当前 active set；对每个锚在 K 跳邻域里按置信度阈值 θ 过滤，再取分数最高的 k 个邻居，塞进 grep 输出里的固定块（Related files、cluster、callers/callees、flow）。默认 k=10、θ=0.5。图证据由索引确定性生成，不经 LLM 改写。
理论侧给了两条保守结论：同样策略下，带图的上下文是词面上下文的超集，所以召回不会更差；每步多出来的 token 有上界 mk 个节点，步数变少时总花费可以更低。
主实验骨干是 GPT-5.2，Claude Code 用 Opus-4.6，不能直接比绝对值。LocBench 560 题，MuLocBench 1100 道多文件题。Acc@k 要求 top-k 覆盖全部金文件。
| 方法 | LocBench Acc@5 | MuLocBench Acc@5 |
| BM25 | 49.3 | 24.5 |
| LocAgent | 65.3 | 25.7 |
| Codex | 74.1 | 50.0 |
| Claude Code | 75.2 | 54.9 |
| LARGER Fixed | 87.0 | 55.7 |
| LARGER Tuned | 89.1 | 60.0 |
Fixed 相对 Codex：LocBench Acc@5 +12.9，Recall@5 90.1 vs 82.8。MuLocBench Acc@5 +5.7，Acc@1 却低 0.6（27.4 vs 28.0），Claude Code 的 Acc@1 仍最高（29.2）。Tuned 是按仓库扫超参的 oracle，只能当上限。
同骨干开关对照：打开 LARGER 提高 Recall@5，同时降低墙钟。相对 Codex，MuLocBench 从 139.9 秒/521.8K token 降到 99.9 秒/353K；LocBench Acc@5 74.1→87.0，时间 129.2→60.0 秒。图增强基线 CoSIL、LocAgent 都低于最强非图 agent，作者的判断是：图要嵌进现有搜索通道，拆成单独遍历会亏。
SWE-Atlas 上 Codebase QA 32.25 vs Codex 29.83 vs Claude 31.20；Test Writing 37.78 vs 32.22 vs 36.67。这是量表分数，不是正确率。MuLocBench 消融：去掉图扩展 Acc@5 从 55.7 掉到 48.2（-13.5%）；去掉置信度 53.1；去掉社区 53.4；全去掉 46.8。
结构信号可以当 grep 的注释，而不必当新动作。对已经在跑 Claude Code / Codex 工作流的团队，这是侵入最小的接法：索引一次，搜索循环不用改。LocBench 上十几个点的 Acc@5 和大约一半的墙钟，说明少走弯路比多看邻居更划算。
Tuned 数字不要当部署预期。Fixed 才是可复现的工作点。MuLocBench 的 Acc@1 没有打赢 Claude Code，优势在短名单里把相关文件收全，不在「第一名永远对」。
正文没有独立的 Limitations 节。能看出来的边界：MuLocBench Acc@1 仍落后；Tuned 是按仓库 oracle；SWE-Atlas 用量表 LLM 评审，和定位 Acc 不是同一量纲；图质量取决于多语言 AST、边置信度和社区检测，解析错了会把邻居写进 grep；in-house 方法共用 GPT-5.2，和 Opus-4.6 的 Claude Code 不能直接比绝对分；召回优势的理论证明假设相关节点落在词面锚的 K 跳、θ 阈值之内，锚点本身钉偏时图帮不上。