"AutoCodeRover: Autonomous Program Improvement" 论文笔记
<h2 id="介绍">介绍</h2><p><strong>(1) 发表：ISSTA'24</strong></p>
<p><strong>(2) 背景</strong></p>
<blockquote>
<p>软件工程涉及程序改进的过程，特别是<strong>软件维护</strong>（例如，程序错误修复）和<strong>软件演变</strong>（例如，功能添加）</p>
</blockquote>
<p>自动化程序维修任务对实现自动软件工程愿景的重要性。鉴于自动化程序维修的动机，并且开发人员经常花费大量的时间来修复错误。本工作提出了 <strong>AutoCodeRover</strong>，实现了 SWE-bench-lite 上的 SOTA，并且提升了 19% 的效率</p>
<h2 id="方法">方法</h2>
<p><img src="https://img2024.cnblogs.com/blog/3614753/202508/3614753-20250810021125937-842263695.png" alt="image-20250810011244598" loading="lazy"></p>
<p><strong>(1) 上下文检索 API</strong></p>
<blockquote>
<p>我们观察到用户经常提及代码库中哪一部分相关的一些 "Hints"。这些提示可以是相关方法，类或文件的名称，有时还包含简短的代码段</p>
</blockquote>
<p>在上下文检索阶段，基本组件是一组 API。本工作为 LLM Agents 设计了一组 API 以从这些 Hints 中找到相应的代码上下文</p>
<p><img src="https://img2024.cnblogs.com/blog/3614753/202508/3614753-20250810021126142-2020867598.png" alt="image-20250810010439850" loading="lazy"></p>
<p><strong>(2) 分层上下文搜索</strong></p>
<p><img src="https://img2024.cnblogs.com/blog/3614753/202508/3614753-20250810021125904-1940379008.png" alt="image-20250810011222017" loading="lazy"></p>
<p>提出了两个观察结果：① 上下文检索不应仅限于单个 API 调用 ② 某些 API 调用结果提供了更多的元素来构建新的 API 调用</p>
<p><strong>搜索规则如下：</strong></p>
<ul>
<li>
<p>在每一层中允许 LLM 选择多个 API 调用，并指示它仅选择必要的调用，从而构建我们认为的最佳上下文</p>
</li>
<li>
<p>执行层中的 API 调用后，将新检索的代码片段添加到当前上下文中。然后提示 LLM 代理分析当前上下文是否足以理解问题，从而决定是否继续迭代搜索过程</p>
</li>
</ul>
<p><strong>(3) 分析增强的上下文检索</strong></p>
<p>在这一步中研究了程序调试技术如何增强工作流程，具体而言将 SBFL 分析集成进来，以研究基于测试的动态分析的效果。SBFL 的主要作用是在问题陈述中提到的相关类别和方法上揭示更多的 "hints"，由于SBFL识别的方法与问题陈述一起呈现给 Agent，因此 Agent 可以在这两个信息来源之间进行交叉引用。例如，如果SBFL识别的方法名称之一与问题语句更加紧密相关，则 LLM 更有可能在此名称上调用 search_method API。</p>
<blockquote>
<p>基于频谱的故障定位 (SBFL)：SBFL 的目的是确定软件故障的位置。给定测试套件t包含通过测试和失败测试，SBFL考虑了通过和失败的测试执行中的控制流差异，并将可疑性得分分配给不同的程序位置。具有最高可疑性分数的语句或者块被确定为可能性位置。由于LLM可以处理合理的长代码段，因此我们在AutoCoderover中使用方法级 SBFL</p>
</blockquote>
<p><strong>(4) 补丁生成</strong></p>
<p>利用收集到的代码上下文来生成补丁，如果补丁无法通过测试套件，则进行重试循环 (在这一阶段还使用 linter 来检测 python 的语法特性问题)</p>
<h2 id="实验结果">实验结果</h2>
<p><img src="https://img2024.cnblogs.com/blog/3614753/202508/3614753-20250810021126468-1898886439.png" alt="image-20250810020728343" loading="lazy"></p>
<p>实现了 SWE-bench-lite 上的 SOTA，同时提升了效率和降低了成本</p>
<h2 id="总结">总结</h2>
<p>更多的从软件视角提出了一个 LLM Agents 的框架，尽可能的利用代码上下文信息，理所当然的取得了很好的效果</p><br><br>
来源：https://www.cnblogs.com/mianmaner/p/19030399
頁:
[1]