EditFlow: Benchmarking and Optimizing Code Edit Recommendation Systems via Reconstruction of Developer Flows

doi:10.1145/3798249

EditFlow: Benchmarking and Optimizing Code Edit Recommendation Systems via Reconstruction of Developer Flows

2026-04-01

0

PRE

AI

DOI：10.1145/3798249

原文求助

摘要

En 中文

大型语言模型（LLMs）在代码编辑方面取得了显著进展，但近期实证研究揭示技术准确性与开发者生产率之间存在根本性脱节。尽管其在基准测试中表现出色，但使用AI辅助时开发者完成任务速度慢19%，且超过68.81%的建议会干扰其思维流程。这种错位源于使用缺乏时间信息的静态提交快照，导致模型优化最终结果而非与开发者自然推理过程一致的增量、上下文敏感步骤。为弥合这一差距，我们提出EditFlow，通过构建开发者编辑流程的数字孪生体来评估和优化后续代码编辑推荐系统，并解决三个关键挑战：首先，收集反映开发者流程的编辑顺序数据固难：手动标注引入高昂开销，而开发日志仅捕获单一路径而非所有可能编辑流程。其次，评估推荐性能需模拟编辑过程的数字孪生体。第三，现有异构系统规模和架构差异巨大，难以开发统一优化策略以赋予所有模型思维流程感知能力。为克服这些挑战，我们提出三个紧密耦合组件：(1)提示自动调优机制，学习优化提示以推断两编辑间的相对顺序；(2)数字孪生体，回放重建的编辑序列以模拟开发者流程；(3)EditFlow统一优化策略，基于开发者持续流程优化后续建议的流程连续性。跨手动标注提交、真实工业代码和开源库的评估显示，EditFlow将顺序重建准确率提升63.81%，减少流程违规75%以上，并提高推荐精度66.99%。32名开发者的用户研究进一步表明任务完成速度提升25.11%，且感知推荐质量显著提高。据我们所知，EditFlow首次从开发者思维流程角度评估和优化代码编辑推荐系统，将流程感知确立为推进人机代码协作的新维度。

Keyword:

code edit recommendation

developer mental flow

large language models

EditFlow: Benchmarking and Optimizing Code Edit Recommendation Systems via Reconstruction of Developer Flows

摘要

期刊

机构

引用论文