REPOFUSE：使用融合双重上下文的代码完成仓库级别方法
内容提要
本文综述仓库级代码补全研究，涵盖RepoFusion、RepoCoder、RepoBench、CoCoMIC、IDECoder等利用代码库上下文、检索增强与跨文件语境提升补全性能的工作，并探讨提示方法与上下文设计的影响。
延伸解读
仓库级代码补全的演进脉络
从2022年的检索增强框架到2023年的RepoFusion、RepoCoder，再到2024年的IDECoder，仓库级代码补全研究在两年内快速迭代。早期工作侧重利用统计语言模型和外部代码片段，后续则转向融合代码库上下文、迭代检索生成以及IDE跨文件信息。这一脉络显示，提升补全准确性的关键逐渐从单纯扩大模型规模，转向更有效地利用仓库内外的结构化上下文。
评估基准与任务分解
RepoBench将仓库级代码补全拆解为检索、代码完成和管道三个相互关联的任务，分别衡量系统检索相关片段、预测下一行以及组合处理复杂任务的能力。这种分解有助于定位系统瓶颈：是检索不准，还是生成不强，或是两者衔接不佳。对于开发者而言，这意味着在实际应用中需关注补全工具在哪个环节可能失效，而非仅看整体准确率。
上下文利用的权衡与设计选择
文章提到，使用上下文数据使代码易于理解可能提升预训练代码模型的补全性能，但需要在训练、微调或选择模型时做出适当的设计选择。同时，仓库级提示生成技术与RepoCoder的迭代检索生成方法之间存在权衡。这提示研究者和工程师，并非上下文越多越好，如何筛选、组织并注入上下文，以及平衡检索开销与生成质量，是影响实用性和准确性的关键。
Q&A
RepoFusion 是什么？它有什么主要优势？
RepoFusion 是一个新型框架，可以训练模型根据相关的代码库上下文提供更准确的代码自动补全建议。在单行代码完成任务中，其 F1 分数优于训练数据规模大 70 倍的模型。
RepoCoder 如何实现仓库级代码补全？
RepoCoder 通过结合基于相似度的检索器和预训练的代码语言模型来简化仓库级代码完成流程，并利用迭代检索-生成范式来弥合检索上下文和完成目标之间的差距。
RepoBench 基准包含哪些评估任务？
RepoBench 包含三个相互关联的评估任务：RepoBench-R（检索）、RepoBench-C（代码完成）和 RepoBench-P（管道），分别衡量系统检索相关代码片段、使用跨文件和文件内上下文预测下一行代码以及处理组合任务的能力。
CoCoMIC 框架如何提高代码完成准确性？
CoCoMIC 是一个基于预训练代码语言模型的跨文件语境学习框架，通过有效地定位和检索最相关的跨文件语境，成功提高了代码完成的准确性。
IDECoder 如何利用 IDE 信息改进代码补全？
IDECoder 利用 IDE 提供的跨文件信息，改进了大型语言模型在大型软件项目的仓库级别代码补全任务中的性能。
有哪些研究探讨了提示方法对仓库级代码生成的影响？
一篇综述研究了大型语言模型在编码生成任务中的有效提示方法，探讨了从个别编码问题到仓库规模解决方案的转变，并介绍了基于仓库级提示生成技术与 RepoCoder 的迭代检索与生成方法之间的权衡。
