RePair：基于过程反馈的自动化程序修复
内容提要
本文探讨了机器学习在软件工程中的应用，特别是自动程序修复技术的进展。介绍了CURE、RING和RepairAgent等新技术，展示了如何通过预训练模型和新策略提高修复效果。研究表明，基于大型语言模型的修复方法在解决编程错误方面表现优异，推动了软件工程的创新。
延伸解读
自动程序修复的技术演进
从2020年的CURE到2024年的PaR，自动程序修复技术经历了从预训练模型到大型语言模型自主代理的演进。CURE通过预训练编程语言模型和代码搜索策略提升修复效果；RING利用LLM的多语言能力降低工程量；RepairAgent则引入自主代理，能规划修复操作并调用工具。这些进展显示修复方法正从单一模型向更智能、自适应的系统发展。
大型语言模型带来的成本与效率权衡
RepairAgent的案例显示，基于LLM的修复虽然有效，但每个错误平均消耗270,000个token，成本约14美分（基于GPT-3.5定价）。这提示读者，修复效果提升的同时需考虑计算开销。对于大规模修复任务，成本可能成为实际部署的制约因素，未来需在效果与效率间寻找平衡。
评估基准的局限性
文章指出，现有评估基准并非为机器学习技术设计，尤其大型语言模型的训练数据庞大且披露不足，可能包含评估所用的问题，导致结果乐观偏差。因此，在比较不同修复方法时，需谨慎解读性能提升，确保评估的公平性和普遍性。
Q&A
CURE技术是如何提高程序修复效果的？
CURE技术通过预先训练编程语言模型和新的基于代码的搜索策略来提高程序修复效果。
RING引擎的优势是什么？
RING引擎通过基于提示的策略显著降低了修复程序的工程量，并在多种语言中表现出色。
RepairAgent的功能是什么？
RepairAgent是基于大型语言模型的自主代理，能够有效修复程序错误并自主规划和执行修复操作。
Fine-Tune后的PLBART和CodeT5模型在程序修复中表现如何？
Fine-Tune后的PLBART和CodeT5模型在程序修复数据集上显著提高了性能。
RepairLLaMA的创新之处是什么？
RepairLLaMA结合了APR的代码表示和LoRA技术，形成了高效的程序修复适配器。
PaR框架的应用场景是什么？
PaR框架用于解决高级编程作业中的程序错误修复问题，展示了超越现有方法的性能提升。
