"ThinkRepair: Self-Directed Automated Program Repair" 论文笔记 ...

介绍

(1) 发表
2024-07 ISSTA'24
(2) 背景
对于某些较为复杂的 bug，需要强大的代码明白和推理能力才能办理
方法

(1) 网络阶段

• prompt 准备：角色形貌+任务形貌+思维链启示
  
• 思维链网络：prompt 给 LLM 生成思维链，这里的输出是样本的集合，其中样本包罗 buggy 函数、修复函数和思维链
  
• 功能验证：为了获得有效的样本，过滤低质量样本的思维过程。ThinkRepair 运行一个测试套件来测试上一步中 LLM 输出中提取的修复函数，仅保留乐成通过整个测试套件的修复函数（这里为每个 bug 执行最多 25 次实验）
  

(2) 修复阶段

• Few-shot 选择：从网络阶段得到的知识库中选择最有益的示例。ThinkRepair根据语义相似性将这些示例聚集在知识库中，已挑选不同的示例
  
• 自动化修复：根据选定的示例和目标 buggy 函数来构建一个 prompt，最后得到输出
  
• 交互验证：通过运行测试套件验证全部候选修复函数，对于测试失败的用例，网络失败信息（① 编译失败 ② 超时 ③ 语法错误 ④ 测试失败）。然后 ThinkRepair 重建 prompt，并把失败信息附加到原始 prompt 的背面，最后生成新的修复函数。此迭代过程一直持续，直到获得固定函数（即乐成通过整个测试套件）或最大交互次数超过。
  

总结

这篇工作鉴戒了 slow thinking 的方法，通过反复自生成 COT 的方式增强 LLM 的推理能力，从而提升 APR 的性能

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。

继续阅读请点击广告