一个更简单直接的程序是提高可维护性、编写安全和无错误程序的关键因素。然而，由于工作量大和破坏已有程序的风险，程序员不愿意进行代码重构，这也导致潜在的学习经验的流失。为了缓解这种情况，我们展示了使用大型语言模型（LLM）GPT-3.5 来建议用户编写的 Python 程序的简化版本的应用，旨在鼓励用户学习如何编写更好的程序。我们提出了一种方法，利用 LLM 的少样本提示，通过在先前的单次示例评估基础上选择最适合每个目标编程问题的代码重构示例。定量评估表明，通过生成每个程序10个候选项，95.68% 的程序可以进行重构，平均圈复杂度减少了17.35%，平均行数减少了25.84%，过滤掉只生成语义正确的程序。此外，定性评估显示出了出色的代码格式化能力，同时还观察到了删除或翻译注释等不必要的行为。

在这项工作中，我们系统地回顾了使用语言模型进行代码处理的最新进展，涵盖了50多种模型、30多个评估任务、150多个数据集和550多个相关工作。我们将代码处理模型分为通用语言模型（由GPT系列代表）和专门针对代码预训练的专业模型，通常具有定制的目标。我们讨论了这些模型之间的关系和差异，并强调了代码建模从统计模型和RNN到预训练的Transformer和LLM的历史转变，这正是NLP所采取的相同路线。我们还讨论了代码特定的特征，如AST、CFG和单元测试，以及它们在训练代码语言模型中的应用，并确定了这个领域的关键挑战和潜在未来方向。我们在GitHub存储库https://github.com/codefuse-ai/Awesome-Code-LLM上保持调查的开放和更新。

现代软件已成为许多领域和应用背景中日常活动的重要组成部分。通过利用人工智能（AI）引入智能自动化，在许多领域取得了突破。AI的有效性可以归因于多种因素，其中之一是数据的日益丰富可用。为确保个人数据的保护，欧盟（EU）等地出台了《通用数据保护条例》（GDPR）等法规。收集、处理或共享个人数据的软件系统必须遵守此类法规。开发符合法规的软件在很大程度上取决于解决适用法规规定的法律要求，这是软件开发过程中需求工程（RE）阶段的核心活动。RE关注于规定和维护系统的需求，包括法律要求。描述组织为处理个人数据而实施的政策的法律协议可以为引出法律要求提供额外的来源。在本章中，我们探讨了多种分析法律要求的方法，并以GDPR为例进行了说明。具体而言，我们描述了从法规中创建机器可分析表示的可能替代方案，调查了现有的使合规性验证符合法规的自动化手段，并进一步反思了法律要求分析的当前挑战。