本文介绍了工业自动化软件设计的新方法，将行为树（BT）框架集成到可编程逻辑控制器（PLC）程序中，并将硬件相关功能与协调逻辑分离。BT框架可以快速设计模块化的分层控制结构，与PLC代码和基于任务的控制框架实现更好的集成。本文提出了三种集成BTs到PLCs的策略，前两种基于IEC 61131标准的PLCs和PLCopen通用行为模型，第三种则利用基于事件的BTs和IEC 61499标准的控制器实现集成。本文的贡献在于提出了一种新的PLC软件设计方法，改善了模块化、支持更好的关注点分离，并能快速开发和重新配置控制软件。同时，本文还演示并评估了BT框架与IEC 61131和IEC 61499标准的PLCs的集成，以及PLCopen函数块与外部BT库的集成。这些改进有助于更好地集成低级PLC代码和基于AI的任务导向框架，同时通过使用BTs进行技能组合来改进PLCs的基于技能的编程方法。

自动编程因为出现了像GitHub Copilot这样依赖于大型语言模型（LLMs）的工具而变得越来越流行。与此同时，由于对代码质量和可信度的担忧，自动生成的代码在部署过程中面临挑战。本文从总体上研究了自动编码，并研究了有关代码质量、安全和程序员责任等相关问题。这些是组织在决定使用自动生成的代码时所面临的关键问题。我们讨论了软件工程方面的进展，如程序修复和分析，可以实现自动编程。最后，我们展望了未来的编程环境，重点关注程序员可能需要转换不同角色来充分利用自动编程的力量。从LLMs自动修复自动生成的程序可以帮助生成更高保障的代码，同时提供保障证据。

软件工程是一个复杂的决策过程，通常依赖于微妙的直觉和咨询。最近深度学习的进展已经开始通过在软件开发的各个阶段实现复杂的设计来革命化软件工程实践。在本文中，我们提出了一种创新的范式，利用大型语言模型(LLMs)贯穿整个软件开发过程，通过自然语言交流简化和统一关键过程，从而消除了每个阶段专门模型的需求。这个范式的核心是ChatDev，一个虚拟的聊天驱动的软件开发公司，模仿已经建立的瀑布模型，将开发过程细致地分为四个不同的时间阶段：设计、编码、测试和文档编写。每个阶段都涉及一个“软件代理”团队，例如程序员、代码审核员和测试工程师，促进协作对话，便于无缝工作流程。聊天链作为一个促进器，将每个阶段分解为原子子任务。这使得聊天链具有双重作用，通过上下文感知的交流提出和验证解决方案，从而高效地解决特定的子任务。ChatDev的工具分析突出了它在软件生成方面的显著效果，使整个软件开发过程在不到七分钟的时间内以不到一美元的成本完成。它不仅能够识别和减轻潜在的漏洞，还能纠正潜在的幻觉，同时保持令人称赞的效率和成本效益。ChatDev的潜力揭示了将LLMs集成到软件开发领域的新可能性。我们的代码可在https://github.com/OpenBMB/ChatDev上获得。

在软件工程过程中，系统首先使用建模语言（如UML）进行规定。这些初始设计通常是协作创建的，很多时候是在会议上，不同的领域专家使用白板、纸张或其他类型的快速支持来创建图纸和蓝图，然后需要将其正式化。这些适当的、机器可读的模型是确保模型可以成为自动化过程（例如，低代码生成管道的输入、基于模型的测试系统等）的关键。但是，从手绘图中生成实际模型是一项耗时的任务，有时这些图纸只是作为非正式图像添加到软件文档中，大大降低了它们的价值。为了避免这种繁琐的任务，我们探索了使用大型语言模型（LLM）从给定的图纸生成（UML）模型的正式表示的方法。更具体地说，我们评估了不同LLM将UML类图的图像转换为图像所代表的实际模型的能力。虽然结果足以将这种方法作为模型驱动的工程流程的一部分使用，但我们也强调了它们目前的一些限制以及需要保持人与机器的协作以克服这些限制。

这篇论文介绍了Allhands，一个创新的分析框架，旨在通过自然语言接口和大型语言模型（LLMs）进行大规模反馈分析。Allhands遵循传统的反馈分析工作流程，首先对反馈进行分类和主题建模，将它们转换为结构增强格式，并利用LLMs提高准确性、鲁棒性、泛化性和用户友好性。随后，使用LLM代理程序来解释用户关于反馈的各种自然语言问题，将其翻译成Python代码进行执行，并提供全面的多模式响应，包括文本、代码、表格和图像。我们对Allhands在三个不同的反馈数据集上进行了评估。实验表明，Allhands在所有分析阶段，包括分类和主题建模，都实现了卓越的功效，最终为用户提供了全面、正确和易于理解的响应的“问我任何事”的体验。据我们所知，Allhands是第一个支持通过自然语言接口提取各种定制需求的见解的综合反馈分析框架。

本研究旨在通过比较分析GPT-4和GLM-4，探索利用GenAI作为编程工具的最佳实践。通过评估不同复杂度水平的提示策略，我们发现最简单和直接的提示策略可以产生最好的代码生成结果。此外，添加类似CoT的预确认步骤可以进一步提高成功率。我们的结果表明，虽然GPT-4略优于GLM-4，但对于普通用户来说差异微乎其微。在我们简化的评估模型中，与传统编码规范相比，我们看到了30至100倍的代码生成效率显著提高。我们的GenAI编码研讨会突显了本研究开发的提示方法的有效性和易用性。我们观察到，GenAI辅助编码将引发编程领域的范式转变，这需要开发者承担围绕着监督和引导GenAI的新角色，并更加注重设定高层次目标和更多地从事创新。

开源软件越来越被重用，修补漏洞变得更加复杂。在Linux的情况下，形成了一个独特的生态系统，其中Linux mainline作为上游，稳定版或长期支持（LTS）系统从mainline分支出来，Linux发行版（如Ubuntu和Android）作为下游从稳定版或LTS系统分支出来供最终用户使用。理想情况下，当一个补丁被提交到Linux上游时，不应引入新的漏洞，并且应及时移植到所有适用的下游分支。然而，在以前的工作中，人们对这个Linux生态系统中补丁移植的响应能力提出了几个问题。在本文中，我们通过挖掘软件仓库来研究一系列Linux发行版与Linux稳定版和LTS的组合，发现了不同的补丁移植策略和能力水平，这有助于解释这种现象。此外，我们使用三个指标，即补丁延迟、补丁速率和漏洞继承比率，具体展示了不同移植策略的不同权衡。我们发现提示标签（例如Cc稳定标签和修复标签）对于及时的补丁移植非常重要，但值得注意的是，相当大一部分补丁仍然缺乏这些指示性标签。最后，我们根据对一般补丁流的分析提供建议，例如生态系统中各方利益相关者之间的互动和提示标签的自动生成，以及针对特定移植策略的定制建议。

我们介绍了SymbolicAI，这是一个多功能的、模块化的框架，采用基于逻辑的方法进行生成过程中的概念学习和流程管理。SymbolicAI通过将大型语言模型（LLMs）视为语义解析器，根据自然语言和形式语言指令执行任务，从而弥合了符号推理和生成AI之间的差距，使生成模型与各种求解器无缝集成。我们利用概率编程原理来解决复杂任务，并利用可微分和经典编程范式及其各自的优势。该框架引入了一组多态、组合和自我引用操作，用于数据流操作，将LLM输出与用户目标对齐。因此，我们可以在各种具有零点和少量学习能力的基础模型和专业的、精细调整的模型或求解器之间进行转换，这些模型或求解器擅长解决特定的问题。反过来，该框架有助于创建和评估可解释的计算图。最后，我们介绍了一种质量度量及其经验得分，用于评估这些计算图，并提出了一个基准，比较各种复杂工作流程中各种最先进的LLMs。我们将经验得分称为“通过交叉相似性的关系轨迹评估的向量嵌入”，简称VERTEX得分。该框架代码库和基准测试如下链接。

快速的提示设计和工程已经成为最大化大型语言模型潜力的必要手段。在本文中，我们介绍了核心概念、Chain-of-Thought和Reflection等高级技术，以及构建基于LLM代理的原则。最后，我们提供了提示工程师的工具调查。

代码生成问题与常见的自然语言问题不同 - 它们需要匹配目标语言的确切语法，识别正常路径和边缘情况，注意问题规范中的许多细节，并解决其他代码特定的问题和要求。因此，许多在自然语言生成中成功的优化和技巧可能对代码任务无效。在这项工作中，我们提出了一种新的LLMs代码生成方法，称为AlphaCodium - 一种基于测试、多阶段、面向代码的迭代流程，它提高了LLMs在代码问题上的性能。我们在一个名为CodeContests的具有挑战性的代码生成数据集上测试了AlphaCodium，其中包括来自Codeforces等平台的竞赛编程问题。所提出的流程始终显著提高结果。例如，在验证集上，使用单个精心设计的直接提示的GPT-4准确率（pass@5）从19%提高到使用AlphaCodium流程的44%。我们相信，本工作所获得的许多原则和最佳实践对于一般的代码生成任务具有广泛的适用性。完整的实现可在以下网址找到：https://github.com/Codium-ai/AlphaCodium。