Dans cet article, nous analysons les caractéristiques de la recherche de code dans la génération de code augmentée par la recherche (RACG) et menons des expériences pour masquer systématiquement certaines caractéristiques tout en préservant leur fonctionnalité. Les résultats expérimentaux montrent que les modèles de recherche de code existants s'appuient fortement sur des caractéristiques textuelles superficielles, telles que les docstrings et les noms d'identifiants, et privilégient les codes bien documentés, même s'ils ne sont pas pertinents. Sur cette base, nous proposons un framework SACL qui enrichit l'information textuelle et réduit le biais en ajoutant des informations sémantiques aux codes ou des connaissances structurelles. Les résultats expérimentaux montrent que SACL améliore significativement les performances de recherche de code sur HumanEval, MBPP et SWE-Bench-Lite (par exemple, 12,8 %, 9,4 % et 7,0 % dans Recall@1, respectivement), ainsi que les performances de génération de code (par exemple, 4,88 % dans Pass@1 dans HumanEval).
