表示之辨：迈向基于图的抽象代码生成

基于摘要分析。本文研究 LLM 如何生成基于图的抽象代码：预定义节点封装主要逻辑，边决定执行流程，而非直接输出顺序排列的源代码。作者提出并评估不同的图 JSON 表示，探索表示方式对生成正确性的影响，主要面向可视化编程及用户或 LLM 训练集无法访问原始源代码的场景。 方法的核心是将代码图表达为 LLM 可生成的 JSON，并在 ScratchTest 上比较不同表示。ScratchTest 是基于作者自定义 Python 版 Scratch 重新实现构建的小型基准，用于测试 LLM 在代码图空间中的生成能力。摘要未披露具体 JSON 结构、节点与边的编码方案、所用 LLM、提示设置或是否进行训练，因此尚不能判断各表示的差异具体来自哪些设计。 作者报告，在适当图表示下，LLM 可以单次生成完成该任务，无需专门或复杂的流水线；作者还报告，不同表示会产生显著不同的准确率。但摘要未提供准确率数值、指标定义、任务规模、数据划分或统计检验信息，不能据此确认性能幅度及跨模型、跨任务的泛化能力。实验协议、消融及统计信息尚未验证。 复现时需从全文核对 ScratchTest 的任务构成、图执行语义、正确性判据、表示间比较的控制条件，以及实现与数据的可获得性。本文的直接贡献属于程序图表示与代码生成，材料未提供 EEG 或 BCI 验证，也未建立面向神经信号建模的具体机制对应关系，因此不将其解释为 BCI 算法进展。