BabelCoder: Agentic Code Translation with Specification Alignment

📄 arXiv: 2512.06902v1 📥 PDF

作者: Fazle Rabbi, Soumit Kanti Saha, Tri Minh Triet Pham, Song Wang, Jinqiu Yang

分类: cs.SE, cs.AI

发布日期: 2025-12-07

备注: 21 pages, 8 figures, 4 tables

💡 一句话要点

BabelCoder：提出基于Agent协作的代码翻译框架，提升代码迁移的准确性。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 代码翻译 大型语言模型 Agent协作 软件迁移 自动化编程

📋 核心要点

  1. 现有代码翻译方法在准确性上存在局限，未能充分利用代码的上下文和结构信息。
  2. BabelCoder采用Agent协作框架，将代码翻译分解为翻译、测试和改进等专门任务。
  3. 实验结果表明，BabelCoder在多个基准数据集上显著优于现有方法，平均准确率达到94.16%。

📝 摘要（中文）

随着软件系统的演进，开发者越来越多地需要在多种编程语言之间工作，并且经常面临将代码从一种语言迁移到另一种语言的需求。虽然自动代码翻译提供了一个有前景的解决方案，但长期以来它仍然是一项具有挑战性的任务。大型语言模型（LLMs）的最新进展已经显示出完成此任务的潜力，但现有方法在准确性方面仍然有限，并且未能有效地利用代码中的上下文和结构线索。先前的工作已经探索了翻译和修复机制，但缺乏一个结构化的、基于Agent的框架，在该框架中，多个专门的Agent可以协作地提高翻译质量。在这项工作中，我们介绍了BabelCoder，一个基于Agent的框架，它通过将任务分解为专门用于翻译、测试和改进的Agent来执行代码翻译，每个Agent负责一个特定的方面，例如生成代码、验证正确性或修复错误。我们在四个基准数据集上评估了BabelCoder，并将其与四个最先进的基线方法进行了比较。在94%的案例中，BabelCoder的性能优于现有方法0.5%-13.5%，平均准确率达到94.16%。

🔬 方法详解

问题定义：论文旨在解决自动代码翻译的准确性问题。现有方法无法充分利用代码的上下文和结构信息，导致翻译质量不高。此外，缺乏有效的机制来验证翻译的正确性并进行修复，进一步限制了翻译的可靠性。

核心思路：论文的核心思路是将代码翻译任务分解为多个专门的Agent，每个Agent负责不同的子任务，例如代码生成、正确性验证和错误修复。通过Agent之间的协作，可以更有效地利用代码的上下文信息，提高翻译的准确性和可靠性。

技术框架：BabelCoder框架包含三个主要Agent：翻译Agent、测试Agent和改进Agent。翻译Agent负责将源语言代码翻译成目标语言代码。测试Agent负责验证翻译后的代码的正确性，例如通过运行测试用例。改进Agent负责根据测试结果修复翻译中的错误。这些Agent通过一个中心协调器进行协调，形成一个迭代的翻译、测试和修复循环。

关键创新：BabelCoder的关键创新在于其基于Agent的协作框架。与传统的单体式翻译方法相比，BabelCoder能够更好地利用代码的上下文信息，并且可以通过测试和修复机制来提高翻译的准确性和可靠性。此外，BabelCoder的模块化设计使得可以轻松地添加新的Agent或修改现有Agent的功能。

关键设计：论文中没有详细描述具体的参数设置、损失函数或网络结构等技术细节。这些细节可能取决于所使用的具体语言模型和Agent的实现方式。未来的研究可以探索不同的Agent架构和协作策略，以进一步提高BabelCoder的性能。

🖼️ 关键图片

fig_0

📊 实验亮点

BabelCoder在四个基准数据集上进行了评估，并与四个最先进的基线方法进行了比较。实验结果表明，在94%的案例中，BabelCoder的性能优于现有方法0.5%-13.5%，平均准确率达到94.16%。这表明BabelCoder在代码翻译任务中具有显著的优势。

🎯 应用场景

BabelCoder具有广泛的应用前景，可用于软件系统的现代化改造、跨平台应用开发、以及代码库的迁移和维护。该研究成果能够降低代码迁移的成本和风险，提高软件开发的效率和质量，并促进不同编程语言之间的互操作性。

📄 摘要（原文）

As software systems evolve, developers increasingly work across multiple programming languages and often face the need to migrate code from one language to another. While automatic code translation offers a promising solution, it has long remained a challenging task. Recent advancements in Large Language Models (LLMs) have shown potential for this task, yet existing approaches remain limited in accuracy and fail to effectively leverage contextual and structural cues within the code. Prior work has explored translation and repair mechanisms, but lacks a structured, agentic framework where multiple specialized agents collaboratively improve translation quality. In this work, we introduce BabelCoder, an agentic framework that performs code translation by decomposing the task into specialized agents for translation, testing, and refinement, each responsible for a specific aspect such as generating code, validating correctness, or repairing errors. We evaluate BabelCoder on four benchmark datasets and compare it against four state-of-the-art baselines. BabelCoder outperforms existing methods by 0.5%-13.5% in 94% of cases, achieving an average accuracy of 94.16%.