近日，浙江大學副教授胡星和團隊開發出一款名為 CatCoder 的 AI 框架，它能夠讀懂一個完整的軟件項目，生成準確、可用的代碼。在 Java 任務上，它在代碼編譯通過率和測試通過率上，比業內表現突出的代表之一 RepoCoder 最高提升了 14.44% 和 17.35%。

同時，它擁有很強的通用性。該團隊使用不同大小和不同類型的 AI 模型對其進行測試，發現它能夠提升所有被測模型的性能。

圖 | 胡星（胡星）

胡星告訴 DeepTech：“我們考慮到不同公司或團隊使用的編程語言各異，因此選擇了兩種語言進行驗證：應用廣泛的 Java 和較新但日益重要的 Rust。我們發現，即使對于 Rust 這種相對低資源（使用人群和訓練數據較少）的語言，我們的方法也能生成高質量的代碼。”

此外，尤其是對于那些比較小的模型，提醒效果更是尤為明顯，能夠幫助小模型彌補和大模型之間的差距。同時，它就好比給 AI 配置了一個超級助理，這位助理不僅懂得編程語法，而且熟悉所在項目的所有規定，比如哪些類可以調用、該怎么使用函數，這樣一來就能寫出既不會“迷路”也不會“犯錯”的代碼。

胡星還表示：“我們的方法是可插拔的松耦合設計，不需要對大模型本身進行訓練。這意味著它可以靈活地與任何大模型或程序分析技術組合，適應日新月異的大模型發展，避免了重復訓練的高成本。

其次，它精準解決了工業界的實際痛點——大模型通常不理解企業內部的私有代碼庫和業務邏輯。通過引入本地上下文，我們的方法能讓大模型“讀懂”當前代碼庫，生成更高質量、更領域相關的代碼。”

（https://arxiv.org/pdf/2406.03283）

解決代碼世界的尋路難題

在使用 AI 寫代碼時，此前人們所遇到的難題是：當你正在參與開發一個大型游戲，代碼分散在成百上千個文件里。假如你需要添加“計算一個角色的跳躍軌跡”的新功能。

對于此前的 AI，即使經過了大量訓練可能也只知道物理公式，它并不知道在你這個特定項目中，“角色”這個對象應該如何創建、它的坐標屬性叫什么名字、或者“跳躍”這個動作應該調用哪個現成的函數。

CatCoder 的創新之處在于給 AI 提供了兩件關鍵工具：第一個工具是相似代碼雷達，能夠在相似項目里尋找功能或結構相似的代碼作為范例；第二個工具是類型關系地圖，它能自動分析并告訴 AI，在當前的代碼環境中，有哪些類、接口、函數和屬性是可以直接使用的。

這就好比你要在一個巨大的圖書館里找資料，CatCoder 不僅可以幫你找到基本主題類似的書籍也就是相關的代碼，還可以直接給你一張圖書館的樓層索引和書籍關聯圖也就是類型上下文，從而讓你生成的代碼更加準確和專業。

（https://arxiv.org/pdf/2406.03283）

助力我國發展底層基礎軟件和工業軟件

在使用 CatCoder 的時候，主要分為三大步。

第一步是搜集線索也就是檢索相關代碼。CatCoder 首先會把整個項目所有的源代碼文件智能地切割成小塊。然后，它會根據你需要實現的功能描述，啟動兩種搜索引擎。第一種是關鍵詞搜索，就像傳統搜索引擎一樣，可以匹配函數名和變量名等關鍵詞。第二種是語義搜索，其能理解代碼的含義，找到功能上相似的片段。然后，CatCoder 會把兩種搜索結果綜合起來，最初最相關的幾個代碼片段作為參考范例。

第二步是繪制地圖也就是提取類型上下文。這是 CatCoder 的獨門絕技。對于像 Java、Rust 這類靜態類型語言，CatCoder 會啟動一個靜態分析器。這個分析器可以繪制出項目中所有類和接口之間的依賴關系圖。比如，假如你的新函數屬于“角色”類，那么分析器就能找出“角色”類能夠調用的所有方法，以及它關聯的其他類，并把它們的使用說明書整理出來。這張“地圖”的存在確保 AI 不會調用一個不存在的函數。

第三步是生成代碼。CatCoder 會將前兩步搜集到的參考范例和類型地圖打包，連帶你的任務描述一起形成一個超級詳細的提示，提交給背后的 AI 模型。AI 在這樣充分的上下文提示下，就能像一位熟悉項目的開發者一樣，生出既符合語法、又能完美融入現有項目、甚至能夠通過測試的代碼。

（https://arxiv.org/pdf/2406.03283）

胡星總結稱：“由于我們的研究覆蓋了 Rust，而 Rust 多用于開發系統軟件，這對于我國發展底層基礎軟件和工業軟件具有積極意義，能幫助更快地生成高質量的代碼。”

圖 | CatCoder logo（胡星）

基于此成果，她有兩個后續計劃：一是進一步探索“低資源”編程語言的代碼生成，即針對那些大模型訓練數據覆蓋不足的語言（如 Ruby、Julia），提升其代碼生成質量；二是研究“大小模型協同”的代碼生成，讓強大但昂貴的大模型指導輕量級小模型，使后者能在計算資源有限的實驗室或中小企業中部署，提供優質的代碼生成服務。

參考資料：

相關論文 https://arxiv.org/pdf/2406.03283

運營/排版：何晨龍