AI-powered Code Review with LLMs: Early Results

本文提出了一种通过基于大型语言模型（LLM）的模型来改善软件质量和效率的新方法，旨在审查代码并识别潜在问题。我们提出的基于LLM的人工智能代理模型是在大型代码库上进行训练的，包括代码审查、缺陷报告和最佳实践文档。它旨在检测代码异味、识别潜在缺陷、提供改进建议并优化代码。与传统的静态代码分析工具不同，我们的基于LLM的人工智能代理具有预测代码未来潜在风险的能力。这支持了提高代码质量和增强开发人员教育的双重目标，鼓励更深入地了解最佳实践和高效编码技术。此外，我们还探讨了模型在建议显著减少发布后的错误和增强代码审查流程方面的有效性，这得到了开发人员对LLM反馈的情感分析的证明。对于未来的工作，我们旨在评估LLM生成的文档更新与手动方法相比的准确性和效率。这将涉及到一个实证研究，重点是手动进行的代码审查，以识别代码异味和缺陷，以及最佳实践文档的评估，辅以开发人员讨论和代码审查的见解。我们的目标不仅是提高我们基于LLM的工具的准确性，还要强调它通过积极的代码改进和教育来简化软件开发生命周期的潜力。

基于大型语言模型的代码审查工具

使用大型语言模型对代码进行审查，识别潜在问题，提供改进建议，优化代码，并预测未来潜在风险

该工具不同于传统的静态代码分析工具，可以提供未来风险预测，同时提高开发者对最佳实践和高效编码技术的理解。实验结果表明，该工具可以显著减少发布后的缺陷，并优化代码审查流程。未来工作将集中在进一步提高工具的准确性和效率，以及比较手动方法和工具生成的文档更新的准确性和效率。

最近的相关研究包括使用深度学习技术进行代码分析和缺陷检测的研究，如“DeepBugs: A Learning Approach to Name-based Bug Detection”和“Convolutional Neural Networks for Static Code Smell Detection”。