Micropaper
·
Microservice Bug Localization
💡
原文中文，约1600字，阅读约需4分钟。
📝
内容提要
本文探讨了通过自然语言摘要实现微服务多仓库的Bug定位，提出了分层摘要和两阶段搜索的方法，成功在企业项目中超越了GitHub Copilot和Cursor，解决了语义鸿沟问题。
🎯
关键要点
- 本文探讨了通过自然语言摘要实现微服务多仓库的Bug定位。
- 提出了分层摘要和两阶段搜索的方法。
- 成功在企业项目中超越了GitHub Copilot和Cursor。
- 解决了语义鸿沟问题。
- 微服务架构调试困难，代码分散在多个仓库，Bug报告为自然语言。
- 研究团队将问题重新定义为自然语言推理任务。
- 分层摘要在文件、目录、仓库三个层级构建上下文感知的摘要。
- 两阶段搜索方法：第一阶段路由Bug报告到相关仓库，第二阶段在仓库内定位。
- 在DNEXT Technology的企业级项目上验证了46个仓库和110万行代码。
- 分层摘要避免了直接将代码输入LLM，先转换为自然语言摘要。
- 两阶段搜索方法提高了定位的速度和准确性。
- 研究创新在于重新定义问题，采用NL-to-NL搜索。
- 开发者建议：系统化方法定位Bug，使用自然语言摘要，分层思考。
- 企业级验证增强了研究的说服力，ICSE 2026值得关注。
❓
延伸问答
微服务多仓库的Bug定位面临哪些挑战？
微服务多仓库的Bug定位面临代码分散在多个仓库和Bug报告为自然语言之间的语义鸿沟问题。
文章中提出了哪些方法来解决Bug定位问题？
文章提出了分层摘要和两阶段搜索的方法来解决Bug定位问题。
分层摘要的作用是什么？
分层摘要在文件、目录、仓库三个层级构建上下文感知的摘要，帮助避免直接将代码输入LLM。
两阶段搜索方法是如何工作的？
两阶段搜索方法首先将Bug报告路由到相关仓库，然后在仓库内进行精细定位。
这项研究在企业项目中取得了怎样的成果？
研究在DNEXT Technology的企业项目中验证了46个仓库和110万行代码，超越了GitHub Copilot和Cursor。
研究团队对开发者有什么建议？
研究团队建议开发者使用系统化的方法定位Bug，利用自然语言摘要进行分层思考。
➡️
