.png){kind=icon}
返回
Agentic Software Issue Resolution with Large Language Models: A Survey
.png){kind=icon}
PRE
AI
DOI：10.1145/3849702.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
软件问题解决任务旨在根据用户提供的自然语言描述解决软件仓库中的现实问题，是软件维护的关键方面。随着大型语言模型（LLMs）在推理和生成能力上的快速发展，基于LLMs的方法在自动化软件问题解决方面取得了显著进展。然而，现实世界的软件问题解决本质上是复杂的，需要长期推理、迭代探索和反馈驱动的决策，这要求超越传统单步方法的代理能力。最近，基于LLMs的代理系统已成为软件问题解决的一个有前景的研究方向，因为相关文献经历了爆炸式增长。代理式软件问题解决的进步不仅可以极大提升软件维护的效率和质量，还能为验证代理系统的推理、规划和执行能力提供真实环境，连接人工智能和软件工程。本研究对242项基于LLMs的代理式软件问题解决研究前沿的近期研究进行了系统综述。它概述了任务的通用工作流程，并建立了跨越三个维度的分类体系：基准、技术和实证研究。此外，它强调了强化学习已成为软件工程中代理系统日益重要的训练范式。最后，它总结了关键挑战并概述了未来研究的有前景方向。本综述的制品页面位于https://github.com/ZhonghaoJiang/Awesome-Issue-Solving。
