A Systematic Literature Review on Large Language Models for Automated Program Repair

自动程序修复（APR）试图修补软件错误并减少手动调试工作。最近，随着大型语言模型（LLM）的进步，越来越多的APR技术被提出，促进了软件开发和维护，并展示了显着的性能。然而，由于在基于LLM的APR领域中的持续探索，研究人员很难理解当前的成就、挑战和潜在机会。本文提供了第一个系统的文献综述，总结了2020年至2024年之间LLM在APR中的应用。我们分析了来自LLM、APR及其整合视角的127篇相关论文。首先，我们分类了现有的流行LLM，这些LLM被应用于支持APR，并概述了三种利用策略的部署。此外，我们详细介绍了一些从LLM中受益的具体修复场景，例如语义错误和安全漏洞。此外，我们还讨论了将LLM整合到APR研究中的几个关键方面，例如输入形式和开放科学。最后，我们突出了一系列有待研究的挑战和未来研究的潜在指导方针。总的来说，我们的论文为APR社区提供了一个系统的研究概览，帮助研究人员全面了解成就并促进未来研究。

本文旨在系统综述2020-2024年间基于大语言模型（LLM）的自动程序修复（APR）研究，总结LLM在APR中的应用、成就、挑战和潜在机会。

本文首先对已有的应用于APR的流行LLM进行分类，并概述了它们的三种利用策略。其次，详细描述了一些可受益于LLM的具体修复场景，例如语义错误和安全漏洞。此外，本文讨论了将LLM整合到APR研究中的几个关键方面，例如输入形式和开放科学。最后，本文突出了一组需要研究的挑战和未来研究的潜在指南。

本文系统综述了LLM在APR中的应用，分析了127篇相关论文。论文提出了三种LLM利用策略，详细描述了LLM在语义错误和安全漏洞修复中的应用。此外，本文讨论了将LLM整合到APR研究中的关键方面，例如输入形式和开放科学。最后，本文突出了一组需要研究的挑战和未来研究的潜在指南。

最近的相关研究包括：1）“DeepFix: Fixing Common C Language Errors by Deep Learning” 2）“Neural Program Repair by Jointly Learning to Localize and Repair” 3）“CodeBERT: A Pre-Trained Model for Programming and Natural Language Processing”等。