.png){kind=icon}
返回
Detecting Technical Debt in Source Code Changes Using Large Language Models
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-12089-2_21.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
技术债务（TD）仍然是软件工程中的一个关键挑战，会降低可维护性和长期质量。虽然传统的TD检测方法严重依赖静态分析和手动检查，但大型语言模型（LLMs）的最新进展为自动化和规模化这一过程提供了引人注目的新方法。在本文中，我们提出了DebtGuardian，第一个基于LLM的开源框架，用于直接从源代码变更中检测TD。DebtGuardian结合了零样本和少样本提示策略，支持粒度和批量级检测，并采用Guardrails-AI来验证和标准化模型输出。为了增强鲁棒性，它支持在多个LLMs之间进行多数投票。我们使用MLCQ数据集评估了DebtGuardian，应用了各种用于代码理解的先进开源LLMs以及通用LLMs。结果表明，粒度提示、代码专用模型和更大的上下文窗口显著提高了TD检测性能。多数投票将召回率提高了8.17%，显示出模型集成策略的明显优势。我们还进行了详细的行级指标评估，发现使用10行阈值在预测TD位置的精确度和对小差异的容忍度之间实现了最佳平衡。DebtGuardian通过提供一个灵活、可扩展且经过实证验证的基于LLM的解决方案，推动了该领域的发展。我们的框架为将AI驱动的分析集成到持续集成管道中铺平了道路，使TD管理在现代软件开发工作流中更具可扩展性和准确性。
Keyword:
Software quality
Technical debt detection
Large language models
期刊
P
IF:
0
论文数:
40
被引数:
0
机构
引用论文
Identifying self-admitted technical debt through code comment analysis with a contextualized vocabulary通过使用上下文词汇进行代码注释分析来识别自我承认的技术债务
PREAI
分享收藏
Transitioning from MLOps to LLMOps: Navigating the Unique Challenges of Large Language Models从MLOps到LLMOps的转变：应对大型语言模型的独特挑战.png)
Information
InformationIF0
PREAI
分享收藏
查看更多内容