该综述以“配置使用流程”为框架，系统梳理了2022年至今35篇基于LLM的软件配置研究，清晰呈现了LLM在配置生成（提示增强为主）、验证（传统技术+LLM辅助）、运维（诊断修复闭环探索）三阶段的应用现状。研究发现，当前LLM已在网络配置、K8S配置等场景展现出实用价值，但仍面临泛化能力弱、可解释性差、依赖高质量资源等挑战。未来，需通过轻量微调、跨领域迁移学习、智能体闭环架构等技术，推动LLM从“特

现有仓库级代码补全方法多基于检索增强生成（RAG），但存在查询构建不恰当、检索路径单一、检索器与代码LLM错位三大问题。为此，本文提出CodeRAG框架：首先，通过对数概率引导的探测策略，利用代码LLM的置信度筛选关键代码块构建检索查询；其次，融合稀疏检索、密集检索与数据流引导检索，实现多路径代码知识获取；最后，设计偏好对齐的BESTFIT重排序机制，用Qwen3-8B筛选最优知识，并蒸馏为轻量重

现有仓库级代码补全方法多基于检索增强生成（RAG），但存在查询构建不恰当、检索路径单一、检索器与代码LLM错位三大问题。为此，本文提出CodeRAG框架：首先，通过对数概率引导的探测策略，利用代码LLM的置信度筛选关键代码块构建检索查询；其次，融合稀疏检索、密集检索与数据流引导检索，实现多路径代码知识获取；最后，设计偏好对齐的BESTFIT重排序机制，用Qwen3-8B筛选最优知识，并蒸馏为轻量重

本研究针对专有云LLM隐私风险高、本地LLM评估缺失的问题，扩展AI代码生成评估框架FACE（支持Ollama离线运行、JSON数据整合、断点续跑），采用3589道Kattis题（禁止分享答案，确保评估真实性），对8个6.7-9B参数的本地LLM开展测试。结果显示：本地LLM整体接受率低，最佳的Yi-Coder（5.7%）和Qwen2.5-Coder（5.4%），仅为Gemini 1.5（10.9

本研究针对专有云LLM隐私风险高、本地LLM评估缺失的问题，扩展AI代码生成评估框架FACE（支持Ollama离线运行、JSON数据整合、断点续跑），采用3589道Kattis题（禁止分享答案，确保评估真实性），对8个6.7-9B参数的本地LLM开展测试。结果显示：本地LLM整体接受率低，最佳的Yi-Coder（5.7%）和Qwen2.5-Coder（5.4%），仅为Gemini 1.5（10.9

为解决真实Web应用攻击数据量小、差异性大及攻击载荷多样化导致大模型训练效果差的问题，提出基于联邦大模型的网络攻击检测方法（FL-LLMID）。首先，设计面向大模型微调的联邦学习网络，服务器对客户端本地模型的增量参数进行增量聚合，提升参数聚合效率并避免网络流量数据暴露；其次，构建CodeBERT-LSTM攻击检测模型，通过CodeBERT对应用层数据有效字段向量编码，结合LSTM分类，实现高效We

为解决真实Web应用攻击数据量小、差异性大及攻击载荷多样化导致大模型训练效果差的问题，提出基于联邦大模型的网络攻击检测方法（FL-LLMID）。首先，设计面向大模型微调的联邦学习网络，服务器对客户端本地模型的增量参数进行增量聚合，提升参数聚合效率并避免网络流量数据暴露；其次，构建CodeBERT-LSTM攻击检测模型，通过CodeBERT对应用层数据有效字段向量编码，结合LSTM分类，实现高效We

为解决真实Web应用攻击数据量小、差异性大及攻击载荷多样化导致大模型训练效果差的问题，提出基于联邦大模型的网络攻击检测方法（FL-LLMID）。首先，设计面向大模型微调的联邦学习网络，服务器对客户端本地模型的增量参数进行增量聚合，提升参数聚合效率并避免网络流量数据暴露；其次，构建CodeBERT-LSTM攻击检测模型，通过CodeBERT对应用层数据有效字段向量编码，结合LSTM分类，实现高效We

随着软件服务系统日益庞大、复杂，基于日志的故障诊断对保证软件服务的可靠性至关重要。已有的日志故障诊断方法虽能确定故障类型，但无法为推理过程提供解释，导致难以在生产环境部署。为此，本文提出LogCoT框架，通过Auto-FSC算法利用超大规模闭源LLM提取日志语义，生成可解释根因分析报告；结合无类别标注指令优化与有类别标注参数微调，优化Mistral基座模型；再用LLMf-IPO算法纠正错误结果，对

随着软件服务系统日益庞大、复杂，基于日志的故障诊断对保证软件服务的可靠性至关重要。已有的日志故障诊断方法虽能确定故障类型，但无法为推理过程提供解释，导致难以在生产环境部署。为此，本文提出LogCoT框架，通过Auto-FSC算法利用超大规模闭源LLM提取日志语义，生成可解释根因分析报告；结合无类别标注指令优化与有类别标注参数微调，优化Mistral基座模型；再用LLMf-IPO算法纠正错误结果，对