TL;DR
- نویسندگان:.
- یونبو لیو،.
- جیکه شی،.
چه اتفاقی افتاد
نویسندگان:. یونبو لیو،.
جیکه شی،. هونگ جین کانگ،.
راتنادیرا ویدیاساری،. جوندا هه،.
یوکینگ نیو،. چنگران یانگ،.
جونکای چن،. ژو یانگ،.
جولیا لاول،. دیوید لو چکیده:.
الگوریتم SZZ تکنیک غالب برای شناسایی نرمافزارهای بسیاری از موتورهای کنترل کننده است. وظایفی مانند پیش بینی نقص و تجزیه و تحلیل آسیب پذیری.
علیرغم انواع مختلف،. از جمله رویکردهای مبتنی بر LLM اخیر،.
عملکرد در مجموعه دادههای مشروح شده توسط توسعهدهندگان محدود است (بهعنوان مثال،. فراخوانی 0.
552 در هسته لینوکس). یک محدودیت کلیدی تکیه بر git blame است که تغییرات سطح خط را در یک فایل ردیابی میکند.
و در سناریوهای رایج مانند Ghost و پروندههای متقاطع با شکست مواجه میشود که تقریباً یک چهارم از. ارتکابهای القای اشکال را ذاتا غیرقابل ردیابی میکند.
علاوه بر این،. رویکردهای فعلی از خطوط لوله ثابت پیروی میکنند که بر خلاف توسعه دهندگان،.
استدلال و کاوش تکراری را محدود میکند که باگها را از طریق یک فرآیند تعاملی و. چند ابزاری بررسی میکنند.
برای پرداختن به این چالشها،. ما AgentSZZ را پیشنهاد میکنیم،.
یک چارچوب مبتنی بر عامل که از عوامل LLM-محور برای کاوش مخازن و شناسایی تعهدات ناشی از اشکال. استفاده میکند.
برخلاف روشهای قبلی،. AgentSZZ ابزارهای خاص وظیفه،.
دانش دامنه و یک حلقه به سبک ReAct را یکپارچه میکند تا ردیابی تطبیقی و علّی باگها را. فعال کند.
یک ماژول فشرده سازی ساختار یافته با کاهش زمینه اضافی و در عین حال حفظ شواهد کلیدی،. کارایی را بیشتر بهبود میبخشد.
آزمایشهای گسترده بر روی سه مجموعه داده پرمصرف نشان میدهد که AgentSZZ بهطور مداوم از الگوریتمهای پیشرفته SZZ. در تمام تنظیمات بهتر عمل میکند و به امتیاز F1 تا 27.
2 درصد نسبت به رویکردهای مبتنی بر LLM قبلی دست مییابد. این پیشرفتها بهویژه در سناریوهای چالشبرانگیز مانند متقاطع فایلها و ارواح با افزایش فراخوان به ترتیب تا 300.
و 60 درصد مشهود است. فرسایش مطالعات نشان میدهد که ابزارهای خاص کار و دانش دامنه بسیار مهم هستند،.
در حالی که خروجیهای ابزار فشردهسازی مصرف توکن را تا بیش از 30 درصد با تأثیر ناچیز کاهش. میدهند.
بسته تکرار موجود است. مهندسی نرم افزار (cs.
SE) استناد بهعنوان: (یا v1 [cs. SE] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Yunbo Lyu [مشاهده ایمیل] [v1] جمعه،.
3 آوریل 2026،. 02:.
54:. 02 UTC (880 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.