“`html
Исследование эволюции и влияния агентов на базе крупных языковых моделей в инженерии программного обеспечения: Комплексный обзор применений, проблем и перспективных направлений
Крупные языковые модели (LLM) значительно повлияли на инженерию программного обеспечения, в первую очередь в генерации кода и исправлении ошибок. Однако их применение в инженерии требований, важном аспекте разработки программного обеспечения, остается недостаточно исследованным. Инженеры-программисты проявляют нежелание использовать LLM для задач высокого уровня из-за сложностей в понимании требований. Тем не менее, использование LLM в инженерии требований постепенно увеличивается благодаря прогрессу в контекстном анализе и рассуждениях с помощью методов prompt engineering и Chain-of-Thought.
Основные применения LLM и агентов на их основе
LLM показали замечательный успех в задачах инженерии программного обеспечения, таких как генерация кода и обнаружение уязвимостей, но обладают ограничениями в автономности и самоулучшении. Агенты на основе LLM решают эти ограничения, объединяя LLM для принятия решений и действий. Данное исследование подчеркивает необходимость различать между LLM и агентами на их основе, исследуя их применение в инженерии требований, генерации кода, автономном принятии решений, проектировании программного обеспечения, генерации тестов и обслуживании программного обеспечения.
Анализ применения LLM и агентов на их основе
Исследование рассматривает ключевые задачи применения LLM и агентов на их основе, а также метрики оценки их производительности в различных областях инженерии программного обеспечения. Оно предоставляет обширный анализ задач, стандартов и метрик оценки для обеих технологий с целью прояснения их потенциала в развитии практик инженерии программного обеспечения и возможного движения в сторону искусственного общего интеллекта.
Исследование и анализ LLM и агентов на их основе
Исследование рассматривает LLM и агентов на их основе в шести ключевых областях инженерии программного обеспечения: инженерии требований, генерации кода, автономном принятии решений, проектировании программного обеспечения, генерации тестов и обслуживании программного обеспечения. Оно также выявляет недостатки текущих подходов и предлагает направления для дальнейших исследований и развития агентов на основе LLM в инженерии программного обеспечения.
Методология исследования
Систематический обзор литературы рассматривает LLM и агентов на их основе в инженерии программного обеспечения. Базы данных DBLP и arXiv были исследованы для работ с конца 2023 по май 2024 года. Была использована методика фильтрации с использованием ключевых слов в области инженерии программного обеспечения. Техника снежного кома повысила всеобъемлющесть. Окончательный выбор включал 117 актуальных работ, некоторые из которых категоризированы по нескольким темам. Анализ сосредоточился на экспериментальных моделях и структурах, изучая их производительность в различных областях.
Результаты исследования
Результаты указывают на возрастающий интерес к агентам на основе LLM, объединяющим LLM с возможностями принятия решений для улучшения автономности и самоулучшения в разработке программного обеспечения. Отзывы пользователей разработчиков и инженеров-требований были важны для оценки точности, удобства использования и полноты создаваемых результатов. Полученные результаты подчеркивают значительные прогрессивные шаги в области искусственного интеллекта для инженерии программного обеспечения, а также выявляют области для дальнейших исследований и развития.
Заключение
Исследование предоставляет обширный анализ крупных языковых моделей и агентов на их основе в инженерии программного обеспечения. Оно категоризирует инженерию программного обеспечения на шесть ключевых тем, предлагая углубленные применения различных LLM. Исследование устанавливает четкое различие между традиционными LLM и агентами на их основе, подчеркивая их различные возможности и метрики производительности. Агенты на основе LLM демонстрируют потенциальные улучшения существующих процессов в различных областях инженерии программного обеспечения. Статистический анализ наборов данных и метрик оценки подчеркивает различия в производительности между LLM и агентами на их основе. Исследование предлагает направления для будущих исследований, подчеркивая необходимость унифицированных стандартов и тестирования. Оно заключает, что агенты на основе LLM представляют собой многообещее развитие в преодолении ограничений традиционных моделей, что потенциально может привести к более автономным и эффективным решениям в области инженерии программного обеспечения.
Проверьте статью. Вся благодарность за это исследование исследователям этого проекта. Также не забудьте подписаться на наш Twitter и присоединиться к нашей группе в LinkedIn. Если вам нравится наша работа, вам понравится наш новостной бюллетень.
Не забудьте присоединиться к нашему SubReddit.
Найдите предстоящие вебинары по ИИ здесь.
Arcee AI выпустил DistillKit: Open Source, простой в использовании инструмент для трансформации моделей distillation для создания эффективных, высокопроизводительных малых языковых моделей
Это цитата из MarkTechPost.