综述：生成式人工智能在技术债务管理中的应用：一项系统文献综述

《Information and Software Technology》：The use of Generative AI in technical debt management: A systematic literature review

　　

摘要

背景：

生成式人工智能越来越多地被应用于技术债务管理领域，但相关研究中的应用模式、支持的活动以及配套策略仍存在碎片化现象。

目标：

本系统性文献综述汇总了当前关于将生成式人工智能整合到技术债务管理中的研究成果，重点探讨了所使用的工具、支持的活动、架构模型以及人类参与的作用。

方法：

我们开展了结构化的文献综述，对29项相关研究的结果进行识别、分析与整合，研究人工智能在多个维度上如何用于解决技术债务问题。

结果：

研究结果表明，目前的方法主要依靠基于提示词的仅解码器模型来实现技术债务的识别与偿还，而更高级的技术、更广泛的技术债务管理活动以及人类与技术的深度融合仍然较为有限。

结论：

当前的研究主要集中在大语言模型在工具层面的应用，这表明需要更全面的技术债务管理覆盖范围、多工具分析、对比性架构研究以及更强的人类参与度。

引言

现代软件系统会随着用户需求变化、技术进步以及组织约束的调整而持续演化，这种演化虽然有助于保持系统的实用性与竞争力，但也带来了可维护性、系统质量以及开发效率等方面的长期挑战。用来描述这些挑战的最常见概念就是技术债务，它指的是那些为了追求短期目标而做出的设计与实现决策所积累的负面后果[1]。在过去的15年里，技术债务已成为软件工程研究与实践中的核心问题。如果不对技术债务进行管理，它会阻碍软件的进一步发展，增加维护成本，还会降低开发人员的效率[2]。因此，人们提出了结构化的技术债务管理方法，旨在为整个软件生命周期内的技术债务识别、衡量、优先级排序以及修复等工作提供支持。在本综述中，技术债务管理活动指的是与技术债务管理相关的具体任务，包括识别、分类、衡量、优先级排序、偿还以及预防等[3]；技术债务相关工具则是指用于识别或管理技术债务的软件工程相关元素，比如源代码、注释、代码提交记录、问题报告、拉取请求、文档以及与架构相关的元素。

与此同时，人工智能领域的最新进展，尤其是大型语言模型，已经对软件工程的研究与实践产生了深远影响。大型语言模型在理解和生成自然语言以及源代码方面表现出了很强的能力，这使得它们能够被应用于各种软件工程任务中[4]、[5]。这些能力也引发了人们越来越多的兴趣，希望利用大型语言模型来支持那些复杂且依赖上下文的活动，包括技术债务管理。尽管相关研究越来越多，但将大型语言模型用于技术债务管理的相关工作仍然十分零散，且缺乏足够的理解。现有的研究往往单独探讨不同的目标、技术以及工具，因此很难判断基于大型语言模型的方法究竟如何共同作用于提升技术债务管理的效率[6]、[7]。此外，关于人类在其中的角色、不同大型语言模型技术在不同技术债务管理活动中的适用性，以及如何将这些方法整合到实际开发工作中，仍然存在诸多疑问[8]、[9]。不过，目前还不清楚基于大型语言模型的方法具体是如何被应用于技术债务管理的。鉴于管理技术债务对于减少维护工作量、开发时间以及长期软件成本的重要性[3]、[10]，因此很有必要对大型语言模型在技术债务管理中的应用进行系统的梳理。

为了解决这些挑战，有必要对现有的相关研究文献进行整合。为此，我们对大型语言模型在技术债务管理中的应用进行了系统性文献综述。该综述旨在汇总现有研究证据，根据这些方法所支持的技术债务管理活动、所使用的工具类型以及人类参与者的角色对现有方法进行分类。此外，该综述还会识别出行业的研究趋势，为该领域的现状以及未来的研究方向提供结构化的概述。

目前这个领域只有一篇相关的文献综述，是Moreschini等人撰写的，他们研究了技术债务从DevOps阶段发展到机器学习阶段，再到生成式人工智能阶段的演变过程[11]。与本研究侧重于经过同行评审的研究不同，Moreschini等人采用了多元视角的研究方法，分析了62份原始资料，其中大部分来自非正式出版物。更重要的是，虽然这项研究为人工智能系统带来的技术债务问题提供了有价值的见解，但它并没有系统地探讨如何利用人工智能，尤其是大型语言模型，来支持技术债务管理的相关活动。正是由于缺乏这样的系统性总结，才更需要对基于大型语言模型的技术债务管理方法进行系统性的综述。

本文的其余部分结构如下：第2.1节阐述了指导本次系统性文献综述的研究问题；第2节介绍了研究方法，包括搜索策略、论文筛选流程、数据提取以及分析步骤；第3节汇报研究结果；第4节对这些结果进行分析，并指出其中的关键意义；第5节探讨了影响研究有效性的因素；最后，第6节总结了本次文献综述得出的结论。

章节节选

研究方法

我们的研究采用了Kitchenham等人提出的系统性文献综述方法[12]、[13]，该方法能够为识别、评估以及整合证据以回答相关研究问题提供全面且严谨的框架。我们选择这种方法，是因为希望對处理技术债务的各种方法进行公平、可信且无偏见的评估。图1展示了我们的系统性文献综述流程。最初的搜索是在2025年7月20日进行的，之后则根据预先设定的标准完成了论文的筛选工作

结果

• RQ1：
  在基于生成式人工智能的方法中，会使用哪些类型的输入/输出工具？
  通过对29篇入选的原始研究进行系统分析，我们发现了在基于生成式人工智能的技术债务管理方法中，共有8种不同的输入工具类型和8种不同的输出工具类型。这些研究结果既反映了当前工具使用的情况，也展现了该领域的新兴发展趋势。相应的分类结果如图4所示，其中每一列代表一个特定的组合

讨论

本节通过分析生成式人工智能在技术债务管理中的具体应用方式，综合总结了本次综述的研究成果，同时分别关注了相关工具、大型语言模型技术、架构模型、所支持的技术债务管理活动以及人类参与的作用。在适当的情况下，还提出了对研究人员和实践人员的启示。

影响有效性的因素

根据Ampatzoglou等人的观点[46]，软件工程领域的二次研究存在三类主要的影响有效性的因素：研究选择有效性、数据有效性以及研究本身的有效性。

结论

本次系统性文献综述研究了现有关于将大型语言模型用于技术债务管理的相关研究。通过分析并分类各类原始研究，结合它们所支持的技术债务管理活动、用于解决技术债务的工具类型以及人类在其中的作用，该综述为该领域的现状提供了结构化的概述。研究结果表明，目前大多数方法都侧重于支持技术债务的识别与偿还工作，而更高层次的管理活动则相对较少涉及

CRediT作者贡献说明

Saagarika Gosu：撰写——初稿撰写、可视化制作、方法设计、研究实施、形式化分析、数据整理、概念构建。Daniel Fietosa：撰写——审阅与编辑、验证工作、研究指导、方法设计。Paris Avgeriou：撰写——审阅与编辑、研究指导、资金筹集工作。

利益冲突声明

作者声明，他们不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。

致谢

本研究得到了ITEA4和RVO的资助，资助协议编号为22035 MAST（http://itea-mast.org/）。

Saagarika Gosu|Daniel Fietosa|Paris Avgeriou

荷兰格罗宁根大学伯努利数学、计算机科学与人工智能研究所，尼延博尔赫9号，9747 AG，格罗宁根