FeatLens：面向仓库级代码生成的特征引导动态代码图构建与检索

arXiv 论文提出 FeatLens，一种面向仓库级代码生成的特征引导动态代码图构建与检索方法。它先建立连接自然语言功能描述与函数级实体的特征索引，再针对具体生成任务动态构建种子图，并用语义-结构图推理与 personalized PageRank 选出紧凑推理图。在 DevEval 与 EvoCodeBench 上，其 DR@15 分别为 0.501 和 0.460；DevEval 生成任务中 DIR@1 最高达 52.91%（DeepSeek-V3.2）与 53.58%（GPT-5-mini）。

此前仓库级代码生成多依赖代码相似度检索、常驻全仓库代码图或 LLM 驱动的图探索，构建、推理与 token 成本较高。FeatLens 把功能视角引入依赖检索，并用按任务动态构图替代常驻维护与 LLM 探索，在多个基线中取得最高 DR@15 和 DIR@1，说明轻量确定性检索路线具备竞争力。

机制上，先用功能描述与函数实体的映射建立特征索引，把自然语言需求锚定到候选代码实体；再针对当前任务从索引中生长出任务专属种子图，避免维护全仓库大图；随后通过语义与结构结合的图推理及 personalized PageRank 排序，剪枝出紧凑推理图，从而以确定性、低成本方式选取可复用依赖。

若该方法可复现，代码助手与研发工具可在不改动全仓库索引的前提下，按需求动态提取更小的上下文，降低图构建与 token 开销，并提升跨文件依赖选择的准确度。对 IDE 插件、代码补全与自动修复流程而言，可能减少检索延迟与大仓库索引维护成本，但实际部署收益仍需复现验证。

• 在代码助手中试点功能描述到函数实体的索引层，先覆盖高频业务模块，评估跨文件依赖召回与延迟。

• 论文未给出所用基线集合的完整名称与逐项对比细节。
• 未说明特征索引的构建与维护成本、更新频率及对仓库变更的敏感度。
• DR@15 与 DIR@1 之外的整体生成质量、延迟和 token 消耗数据不足。