# 智能体逆向工程：利用发现智能体从输入输出行为恢复代码

> 通过 LLM 引导的演化搜索、逐步展示的样例、由简到繁的修改及执行错误反馈，从输入输出观察合成可执行程序；主动变体自行选择输入并查询隐藏的参考程序。

- 作者：Yihong Dong; Jiaru Qian; Haoran Zhang; Peixu Wang; Binhua Li; Zhi Jin; Yongbin Li; Ge Li; Xiaokang Yang; Xue Jiang
- 原标题：Agentic Reverse Engineering: From I/O to Code with Discovery Agent
- 发表载体：NeurIPS 2026
- 发表状态：会议已接收
- 出版／提交日期：2026 年（具体日期未核实）
- 日期依据：NeurIPS 2026 官方海报页面确认接收，不据此认定论文集出版日期。arXiv 首投为 2026-05-14；所审阅 v2 修订于 2026-10-18。
- arXiv 首次提交：2026 年 5 月 14 日
- arXiv：2605.15334
- 已复核的 arXiv 版本：v2
- DOI：10.48550/arxiv.2605.15334
- 来源复核于：2026-10-20
- 收录于：2026-10-20
- 原始论文：<https://arxiv.org/abs/2605.15334>
- PDF：<https://arxiv.org/pdf/2605.15334v2>
- 代码：<https://github.com/JiaruQian/IO2Code>
- BibTeX：<https://awesomerea.org/papers/citations/paper-dio-agent.bib>
- 目录页面：<https://awesomerea.org/zh/papers/paper-dio-agent/>
- 记录 JSON：<https://awesomerea.org/papers/paper-dio-agent/record.json>
- 英文版：[English](https://awesomerea.org/papers/paper-dio-agent/index.md)

## 研究范围与局限

IO2CodeBench 包含 125 个生成任务，覆盖基础运算、算法、几何及图像到数值的映射，通常每题提供八个可见样例和十五个留出样例。主动探索只覆盖各层级的 25% 子集。多模态结果采用样例通过比例的均值，其他层级按通过全部留出样例的任务计数。有限测试通过不代表恢复原源码或完全等价；未评测任意应用及有状态服务。

## 与本合集的关联

提供从行为观察到程序重建的具体流程，并区分可见样例拟合与留出行为检查。

## 发表与复核说明

官方海报与固定仓库保留早期标题 From I/O to Code with Discovery Agent，十位作者与 v2 及 DataCite 一致。已注册 DOI 标识 arXiv 工作。论文采用 arXiv 非独占许可。作者链接代码固定核查于 ef15827ab7090bf2d227fb1eef51d91b0163339e；README 说明 Python 3.10+、服务商凭据、基准／参考程序任务和实验入口。所审阅 README 与根目录树未核实覆盖整个仓库的代码／数据许可。

## 一手来源

1. <https://arxiv.org/abs/2605.15334>
2. <https://arxiv.org/html/2605.15334v2>
3. <https://api.datacite.org/dois/10.48550/arxiv.2605.15334>
4. <https://neurips.cc/virtual/2026/loc/sydney/poster/154711>
5. <https://github.com/JiaruQian/IO2Code/blob/ef15827ab7090bf2d227fb1eef51d91b0163339e/README.md>
6. <https://github.com/JiaruQian/IO2Code/tree/ef15827ab7090bf2d227fb1eef51d91b0163339e>

## 关于此条目

已依据论文及一手来源复核。请通过原始论文或 BibTeX 引用原作者。
原创说明采用 MIT 许可；外部项目、论文与素材保留各自的权利和许可。