人工智能引导的大规模代码库探索.pdfVIP

人工智能引导的大规模代码库探索

YosephBerhanuAlebachew

DepartmentofComputerScience

VirginiaTech

yoseph@

I.介绍II.与先前工作的关系

我们的工作建立在软件可视化和程序理解领域的

丰富研究基础上。传统工具如SHriMP[2]、CodeCity[3]

现代软件系统是大型、复杂的，并且在不断演进。和CodeCompass[4]使用分层或基于比喻的模型提供

本随着系统的规模和相互连接性的增加，开发者在理解不软件结构的静态可视化。这些工具帮助开发人员形成代

译熟悉的代码库时面临越来越多的挑战——无论是在入码的心理模型，但在支持动态理解策略、协作环境或整

职培训、调试、重构还是功能开发过程中。先前的研究合历史和上下文信息方面往往表现不足。

中估计专业开发者将多达70%的时间用于程序理解任务Pacione等人[5]提出了一种多方面可视化模型，该

1[1]。这个问题在涉及分层抽象、分布式模块以及稀疏或模型支持不同抽象层次和视角（结构、行为、数据）。虽

v

9不一致文档的真实世界系统中尤为突出。然有影响力，但该模型缺乏实时交互性和对用户探索模

9

7广泛的战略已被研究以支持程序理解，包括静态分式的适应性。类似地，诸如Azurite[6]之类的工具可视

5化代码随时间的演变，但它们仍然与理解策略建模或语

0析、软件可视化、逆向工程和总结。然而，现有的工具

.义上下文分离。

8在实践中仍然不足。许多依赖于静态视图，无法支持开

0交互界面如CodeBubbles[7]通过提供灵活和可视

5发人员在现实环境中使用的适应性、动态性和交互式策

2略。这些工具通常缺乏互动性，不能随项目规模扩大而化的代码段互动，增强了对开发者认知的支持。然而，

:

v扩展，并迫使开发人员在不同工具之间切换上下文以检这些工具并未集成逆向工程、自然语言引导或协作功

i

1

x能。通过引入协作功能，我们的工作也与LiveShare和

r索结构化、历史或语义信息——导致认知负荷增加。

2

aGitLive等协作理解工具相关，后者支持实时团队导航

大型语言模型（LLMs）的最新进展为增强理解工但不具备架构可视化或语义理解能力。

作流程提供了新机会。LLMs可以生成可视化、自然语我们的方法通过将大型语言模型代理整合到可视

言摘要、建议探索路径或回答关于不熟悉代码的问题。化循环中，推进了文献研究。我们建议超越静态图表，

然而，由于准确性问题、缺乏基础以及与交互式视觉界支持自适应、交互式和意图感知导航。大型语言模型充

面整合不佳，它们在程序理解中的应用仍受到限制。特当一个推理和中介层，可以响应结构化互动（点击、过

别是，其非确定性输出和对细粒度程序结构的有限访问滤器、注释）并建议探索路径或总结历史变化。这使得