Enhanced repository-level code comprehension through knowledge graphs for large language models

Abstract

Recent advancements in Large Language Models (LLMs) have significantly impacted code generation. However, repository-level comprehension remains a critical challenge,particularly within enterprise Java environments that rely heavily on meta-programming frameworks such as Spring and Lombok. In these environments, control flow and logicare often defined by implicit annotations rather than explicit source code. As a result, standard text-based Retrieval Augmented Generation (RAG) approaches miss criticaldependencies and retrieve irrelevant context. To address these limitations, this thesis introduces J-PRISM (Java Property-graph Repository-level Insight System for Meta-programming), a new architecture that transforms static Git repositories into semantically enriched Knowledge Graphs (KG). J-PRISM models code entities as nodes and dependencies as edges, providing an AI agent with adeterministic interface to query the codebase. The system implements a hybrid retrieval strategy via the Model Context Protocol (MCP), combining symbolic Cypher queries forstructural precision with vector-based semantic search for concept discovery. To validate this approach, a new set of benchmarks specifically tailored to Java repositories using meta-programming was developed, ranging from simple CRUD applications to complex infrastructure-intensive architectures. Empirical evaluation demonstrates that J-PRISM significantly outperforms standard file-based retrieval methods (OpenHands), achieving a mean Quality Score of 97.69%, compared to 89.37% for the baseline. Results further confirm that as architectural complexity increases, structured graph-based retrieval becomes essential for accurate and efficient code comprehension.

Die Codegenerierung wurde durch jüngste Fortschritte bei Large Language Models (LLMs) maßgeblich beeinflusst. Das Verständnis auf Repository-Ebene bleibt jedoch insbesondere innerhalb von Enterprise-Java-Umgebungen, die stark auf Meta-Programming-Frameworks wie Spring und Lombok basieren, eine zentrale Herausforderung. In diesen Umgebungen werden Kontrollfluss und Logik häufig durch implizite Annotationen als durch expliziten Quellcode definiert. Infolgedessen übersehen herkömmliche textbasierte Retrieval-Augmented-Generation-Ansätze (RAG) kritische Abhängigkeiten und liefern irrelevanten Kontext. Um diesen Einschränkungen zu begegnen, stellt diese Arbeit J-PRISM (Java Property-graph Repository-level Insight System for Meta-programming) vor, eine neue Architektur, die statische Git-Repositories in semantisch angereicherte Wissensgraphen (Knowledge Graphs, KG) transformiert. J-PRISM modelliert Code-Entitäten als Knoten und Abhängigkeiten als Kanten, wodurch einem KI-Agenten eine deterministische Schnittstelle zur Abfrage der Codebasis bereitgestellt wird. Das System implementiert eine hybride Retrieval-Strategie über das Model Context Protocol (MCP), welche symbolische Cypher-Abfragen für strukturelle Präzision mit vektorbasierter semantischer Suche zur Konzeptfindung kombiniert. Zur Validierung dieses Ansatzes wurde ein neues Set an Benchmarks entwickelt, das speziell auf Java-Repositories mit Meta-Programming zugeschnitten ist und von einfachen CRUD-Anwendungen bis hin zu komplexen infrastrukturintensiven Architekturen reicht. Die empirische Evaluierung zeigt, dass J-PRISM herkömmliche dateibasierte Retrieval-Methoden (OpenHands) signifikant übertrifft und im Vergleich zu 89,37% bei der Baseline, einen mittleren Quality Score von 97,69% erreicht. Die Ergebnisse bestätigen ferner, dass mit zunehmender architektonischer Komplexität ein strukturiertes graphbasiertes Retrieval für ein präzises und effizientes Codeverständnis unerlässlich wird.