본 논문은 대규모 언어 모델(LLM)을 이용한 코드 생성에서의 한계점, 특히 진화하는 코드베이스 내에서의 문맥 정확성 문제를 해결하기 위해 지식 그래프 기반 접근법을 제시합니다. 기존 코드 검색 및 검색 방법의 취약점을 보완하여, 코드 저장소를 그래프로 표현하여 구조적 및 관계적 정보를 포착함으로써 문맥 인식 코드 생성을 향상시킵니다. 하이브리드 접근 방식을 통해 코드 검색의 문맥적 관련성을 높이고, 파일 간 모듈 의존성을 추적하여 더욱 강력하고 기존 코드베이스와 일관성 있는 코드 생성을 가능하게 합니다. Evolutionary Code Benchmark (EvoCodeBench) 데이터셋을 사용한 실험 결과, 제안된 방법이 기존 방식보다 성능이 뛰어남을 보여줍니다.
