多智能体策略在代码生成中跨越编程语言差异的应用

《ACM Transactions on Software Engineering and Methodology》：Multi-Agent Strategies for Bridging Programming Language Gaps in Code Generation

　　

摘要 AI摘要

要查看此由AI生成的摘要，您必须具有高级访问权限。

了解更多 登录

摘要

摘要

现实世界的软件系统本质上是多语言的，但目前的大型语言模型在不同编程语言之间的表现并不一致。这种不匹配限制了代码生成的实用性，尤其是对于使用较少的编程语言。现有的方法通过微调、多智能体推理或翻译来改进代码生成，但它们仍然依赖于特定语言，假设存在源代码，或者依赖于针对每种语言的测试套件。

我们引入了XL-CoGen，这是一个三阶段的多语言代码生成工具链，它从自然语言规范和共享的测试列表开始，生成多种目标语言的正确实现。XL-CoGen首先通过构建和纠正测试框架来验证直接生成的结果；如果失败，它会转换到经验选择的中间语言，并翻译经过验证的解决方案；然后通过诊断和最小化补丁来修复最佳候选方案。这种设计既不需要目标语言的训练，也不需要特定语言的测试套件。在两个基准测试和多种大语言模型（LLM）中，XL-CoGen的表现始终优于直接生成的方法，尤其是在表现较差的语言上获得了最大的提升。在我们的Rust微调案例研究中，XL-CoGen的性能优于最佳微调基线模型22个百分点，并在多语言基准测试中将表现较差的语言的性能提高了多达33个百分点。

消融实验结果表明，迁移和修复是互补的：在简单任务中，修复就足够了；而随着难度的增加，迁移变得更为重要，尤其是在目标语言较弱的情况下。

AI摘要

AI生成的摘要（实验性内容）

此摘要是使用自动化工具生成的，未经过文章作者的撰写或审核。提供它是为了帮助读者发现相关信息、评估文章的关联性，并协助来自相关研究领域的读者理解本文内容。它旨在补充作者提供的摘要，后者仍然是论文的官方摘要。完整文章才是权威的版本。点击这里了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评价。您的反馈将有助于改进未来的版本。

要查看此由AI生成的简明语言摘要，您必须具有高级访问权限。