每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

通过 LLM 驱动的迭代代码图搜索进行问题定位

Created by
  • Haebom

作者

蒋忠豪、任晓雪、孟岩、蒋伟、李勇、刘忠信

大纲

本文介绍了一种基于LLM的稳健函数级问题定位方法CoSIL。CoSIL采用两阶段代码图搜索策略，使用动态构建的模块调用图进行广泛的文件级探索，并使用函数调用图进行深入的函数级分析，无需学习或索引。为了控制精确的搜索方向，我们引入了一个剪枝器来过滤不相关的方向和上下文，并实现了反射机制，该机制在短上下文中使用独立查询来防止长上下文中出现错误的交互模式。实验结果表明，CoSIL在SWE-bench Lite和SWE-bench Verified上分别达到了43.3%和44.6%的top-1定位准确率，平均性能比现有方法提升了96.04%。将CoSIL与问题解决方法Agentless相结合，可将问题解决率从2.98%提升至30.5%。

Takeaways, Limitations

•
Takeaways：
◦
提出了一种使用 LLM 识别功能级问题的新方法。
◦
通过两步代码图搜索策略平衡分析的广度和深度。
◦
引入修剪和反射机制来控制搜索方向。
◦
与现有方法相比，性能有显著提升。
◦
将其整合到问题解决方法中可确保提高实际解决问题的能力。
•
Limitations：
◦
实验结果仅限于 SWE-bench 数据集。
◦
取决于 Qwen2.5-Coder-32B 型号。
◦
缺乏有关详细实施和设置的附加信息。
👍
Made with Slashpage