AI编码助手的快速普及正在重塑软件工程实践，但不同代理在不同任务类型和时间维度的有效性对比仍较为缺乏。本文通过分析AIDev数据集中7156个拉取请求（PR），对OpenAI Codex、GitHub Copilot、Devin、Cursor和Claude Code五款主流代理开展实证研究。时间趋势分析显示代理演变模式存在异质性：Devin是唯一呈现PR接受率持续正向增长的代理（32周内每周+0.

大语言模型（LLMs）生成的代码常含隐性关键缺陷，现有自动化修复方法依赖二值反馈，故障定位模糊且无法从失败中学习，易陷入低效循环。为此提出迹驱动多智能体框架TraceCoder，模拟人类专家调试流程：通过插装智能体捕获细粒度运行时迹，分析智能体做因果故障分析，修复智能体执行靶向修复；结合历史经验学习机制（HLLM）避免重复错误，回滚机制（RM）保证修复稳定收敛。多基准实验表明，TraceCoder

本文深度解读了利用大语言模型（LLMs）辅助软件需求形式化的最新研究进展，揭示了传统自然语言需求存在的歧义性与形式化验证的高门槛问题。通过系统综述35篇核心文献，分析了LLM在断言生成、规范合成、需求验证等场景的应用方法，提出提示工程优化、神经符号融合等未来方向，为理解LLM在软件工程中的前沿应用提供了清晰框架。

TensorFlow、PyTorch等深度学习库因设计复杂易存在bug，现有模糊测试工具的输入有效率极低。本文提出利用机器学习分类器判断API输入有效性，核心是以张量形状为抽象特征编码输入，通过随机和成对策略生成标注数据集，基于AutoGluon训练模型。实验针对183个API展开，结果显示分类器在未见过数据上准确率超91%；集成到ACETest工具后，有效输入通过率从29%提升至61%，且不影响

大语言模型（LLMs）在代码生成任务中表现优异，但面对复杂问题时仍受限于外部知识缺失。检索增强生成（RAG）虽能整合外部知识，却存在检索不精准、生成易幻觉等问题。本文提出编程知识图谱（PKG），用于代码和文本的语义表示与细粒度检索。该方法通过树剪枝提升检索精度，借助重排序机制融合非RAG解决方案以减少幻觉，并将外部数据拆分为细粒度节点以优化检索粒度。在HumanEval和MBPP基准上的评估显示，

近年来，任务型聊天机器人应用广泛，但大规模精选数据集的缺失限制了其质量与安全研究。本文提出TOFU-D和COD两个数据集：TOFU-D是来自GitHub的1788个Dialogflow聊天机器人快照，COD是从中筛选的185个验证样本。两个数据集覆盖多领域、多语言和多实现模式。通过Botium测试框架和Bandit静态分析工具的初步评估，发现聊天机器人存在测试覆盖缺口和安全漏洞，凸显了多平台系统性

近年来，任务型聊天机器人应用广泛，但大规模精选数据集的缺失限制了其质量与安全研究。本文提出TOFU-D和COD两个数据集：TOFU-D是来自GitHub的1788个Dialogflow聊天机器人快照，COD是从中筛选的185个验证样本。两个数据集覆盖多领域、多语言和多实现模式。通过Botium测试框架和Bandit静态分析工具的初步评估，发现聊天机器人存在测试覆盖缺口和安全漏洞，凸显了多平台系统性

AI自动生成Pull Request（PR）日益普及，但合并率低于人工PR。本文基于AIDev数据集的40214个PR样本，提取6大类别64个特征，构建逻辑回归模型对比人机PR及不同AI智能体PR的合并影响因素。研究发现：提交者属性对两类PR的合并结果起主导作用；评审活动对人工PR合并有正向影响，对AI PR则为负向；不同AI智能体的PR合并特征存在显著差异。本文的模型预测性能优异，结论为优化人机

程序员越来越依赖AI编码助手解答代码相关问题，但现有基准无法有效评估这类上下文相关问答功能。为此，本文提出RubberDuckBench：一个源自GitHub拉取请求评论的多语言基准，包含15个上下文代码问题及详细评分准则。通过对20个LLM（含专有和开源模型）的评估发现，即使顶尖模型也无法持续给出正确答案，Grok 4（69.29%）、Claude Opus 4（68.53%）和GPT-5（67

代码覆盖是测试的重要指导，但在3A游戏中，插桩带来的开销与严格的性能要求冲突，还会破坏自动化测试稳定性。本文提出并评估了一种针对大型C++游戏引擎的选择性插桩方案，在保留提交相关覆盖数据的同时缩小插桩范围。该框架集成到工业级游戏测试流水线，能为开发者提供即时覆盖反馈。其编译开销极小，可支持2000次提交插桩而编译时间不翻倍；运行时最坏情况下帧率仍保持在非插桩基准的50%以上；在两个生产测试套件中未