0:000:00
<p>https://arxiv.org/abs/2404.05427 在过去几十年中，研究人员在实现软件开发过程自动化方面取得了重大进展。大语言模型（LLMs）的最新进展对开发过程产生了重大影响，开发人员可以使用基于 LLM 的编程助手来实现自动编码。然而，除了编码之外，软件工程还涉及程序改进过程，特别是为了实现软件维护（如修复漏洞）和软件演进（如添加功能）。在本文中，我们提出了一种自动解决 GitHub 问题的方法，以自主实现程序改进。在我们名为 AutoCodeRover 的方法中，LLMs 与复杂的代码搜索功能相结合，最终实现程序修改或补丁。与人工智能研究人员和从业者最近提出的 LLM 代理方法不同，我们的视角更侧重于软件工程。我们处理的是程序表示（抽象语法树），而不是将软件项目仅仅视为文件的集合。 我们的代码搜索利用类/方法形式的程序结构，来增强大语言模型（LLM）对问题根本原因的理解，并通过迭代搜索有效地检索上下文。只要有测试套件，使用基于测试的频谱故障定位，就能进一步优化上下文。在 SWE-bench-lite（300 个真实的 GitHub 问题）上进行的实验表明，解决 GitHub 问题的效率有所提高（在 SWE-bench-lite 上提高了 19%），高于最近报道的 SWE-agent 的效率。此外，与其他基线相比，AutoCodeRover 以显著更低的成本（平均 0.43 美元）实现了这一效率。我们认为，我们的工作流程能够实现自主软件工程，未来，大语言模型（LLMs）自动生成的代码可以得到自主改进</p>