Riepilogo Tecnico: Rover: Risoluzione dei Conflitti Consapevole del Contesto con LLM

1. Enunciato del Problema

La fusione del codice (code merging) nei progetti software su larga scala rappresenta un collo di bottiglia significativo, che spesso richiede un'intervento manuale esteso per risolvere i conflitti di fusione. Le soluzioni esistenti presentano limitazioni critiche:

• Fusione Testuale e Strutturale: Gli strumenti tradizionali (ad esempio Git, strumenti di fusione strutturale) spesso mancano della capacità di inferire l'intento dello sviluppatore o di gestire dipendenze semantiche complesse, portando a fusioni errate o conflitti irrisolti che richiedono correzioni manuali.
• Approcci basati sul Machine Learning: I precedenti modelli ML (ad esempio MergeGen) sono spesso limitati a linguaggi specifici o pattern di conflitto e richiedono un pre-addestramento specifico per il compito.
• Approcci basati su LLM: Sebbene i Modelli Linguistici di Grande Dimensione (LLM) mostrino potenziale, faticano con conflitti che coinvolgono dipendenze di codice complesse che si estendono oltre l'area immediata del conflitto. I metodi esistenti si affidano tipicamente a blocchi di codice adiacenti come contesto, il che è spesso insufficiente per catturare le vere dipendenze semantiche (ad esempio, definizioni di variabili, interazioni tra file).
• Approcci basati su Agenti: Sebbene gli agenti possano esplorare i repository per trovare contesto, soffrono di non-determinismo, elevato sovraccarico computazionale e difficoltà nell'attribuire i fallimenti alla mancanza di contesto rispetto a errori di ragionamento.

La sfida fondamentale è che gli LLM mancano di consapevolezza del contesto riguardo alle dipendenze di codice che attraversano più file o livelli di astrazione, e gli strumenti esistenti di analisi delle dipendenze o non sono agnostici rispetto al linguaggio o non riescono a catturare le dipendenze attraverso più versioni del codice.

2. Metodologia: Il Sistema Rover

Rover è un nuovo sistema automatizzato di risoluzione dei conflitti che integra l'analisi del programma con i Modelli Linguistici di Grande Dimensione (LLM). La sua progettazione è guidata dalla constatazione che una risoluzione efficace richiede una nozione di contesto principiale e analizzabile derivata dall'analisi delle dipendenze, piuttosto che un'esplorazione euristica o semplici finestre di codice adiacenti.

2.1 Grafo delle Proprietà del Codice a Più Livelli (MtCPG)

Per affrontare la mancanza di un'analisi completa delle dipendenze, Rover introduce MtCPG, un nuovo schema di rappresentazione basato sul framework Code Property Graph (CPG) (utilizzando specificamente Joern).

• Architettura: MtCPG estende il CPG standard introducendo una struttura gerarchica con nodi di alto livello (ad esempio TypeDef, MethodDef, GlobalVarDef, ImportDef) e nodi di basso livello (ad esempio MemberDef, MethodStmt, MethodVarDef).
• Tipi di Archi:
  • Archi inter-livello: Collegano le definizioni di alto livello ai loro componenti interni di basso livello, abilitando un ragionamento granulare.
  • Archi inter-file: Modellano esplicitamente le dipendenze tra nodi in diversi file sorgente tramite nodi ImportDef, consentendo un'analisi delle dipendenze tra file senza appiattire i file sorgente.
• Vantaggi: A differenza dei CPG standard, MtCPG cattura le dipendenze inter-file e le astrazioni a livello di definizione, che sono cruciali per comprendere i conflitti che attraversano più file o coinvolgono definizioni di tipo situate altrove.

2.2 Generazione del Contesto tramite Allineamento Grafo-Testo

Rover allinea la rappresentazione testuale delle modifiche al codice (dai risultati di fusione Git) con la struttura MtCPG per generare contesti semanticamente significativi.

• Allineamento Grafo-Testo: Un meccanismo di "colorazione" mappa i blocchi di modifiche al codice (diff) su nodi specifici dell'MtCPG utilizzando un albero segmentato basato sui numeri di riga.
• Clustering del Contesto: Rover impiega un algoritmo Multi-Source Breadth-First Search (MS-BFS) sull'MtCPG partendo dai nodi di conflitto. Esplora le dipendenze fino a una profondità configurabile $k$ per raggruppare i blocchi di codice correlati in "contesti".
• Integrazione Cross-Versione: I contesti vengono generati indipendentemente per entrambe le versioni da fondere e poi uniti utilizzando un approccio di unione di insiemi disgiunti per garantire che tutte le dipendenze rilevanti tra entrambe le versioni siano catturate.

2.3 Generazione della Risoluzione

La risoluzione finale è generata da un LLM (ad esempio Qwen3-30B-A3B) guidato da un prompt strutturato contenente:

1. Definizione del Compito: Istruzioni chiare sul ruolo e l'obiettivo.
2. Catena di Pensiero (CoT): Un processo di ragionamento in tre fasi che richiede all'LLM di analizzare la causa radice, inferire la logica prevista per entrambe le versioni e determinare la migliore strategia di fusione.
3. Formato di Input/Output: Utilizza il formato "diff" per un'elaborazione ottimizzata.
4. Input Contestuale: Il codice in conflitto combinato con il contesto semanticamente rilevante recuperato dall'MtCPG.

3. Contributi Chiave

Il documento rivendica i seguenti contributi:

1. MtCPG: Uno schema di rappresentazione innovativo che cattura dipendenze complete per tutti i componenti del codice, incluse relazioni inter-file e inter-livello, superando le limitazioni dei CPG standard.
2. Metodologia di Classificazione del Contesto: Un approccio principiale per classificare i blocchi di codice in base alla connettività MtCPG, generando contesti più adatti a valutare la dipendenza del codice rispetto alle semplici finestre di codice adiacenti.
3. Sistema Rover: Un'implementazione di uno strumento di risoluzione dei conflitti basato su LLM che integra MtCPG. È stato valutato sul dataset ConGra e ha dimostrato di superare gli LLM autonomi e gli strumenti di base.

4. Risultati Sperimentali

Gli autori hanno valutato Rover utilizzando il dataset ConGra (escludendo C++ a causa della maturità degli strumenti) e un sottoinsieme del dataset di WizardMerge (basato su C). Le metriche includevano Distanza di Modifica (ED), Similarità Winnowing (WS) e Similarità Cosine (CS).

• MtCPG vs CPG: MtCPG ha aumentato il numero di nodi del grafo di circa il 3,4% e gli archi di circa il 25% rispetto al CPG standard, catturando informazioni sulle dipendenze significativamente più ricche.
• Prestazioni rispetto alle Baseline:
  • LLM Autonomo: Rover ha superato un LLM autonomo (Qwen3-30B-A3B) del 13,29% (WS), 10,46% (ED) e 9,79% (CS).
  • Baseline Machine Learning: Rispetto a MergeGen, Rover ha ottenuto miglioramenti del 17,72% (WS), 15,90% (ED) e 9,10% (CS).
  • LLM Assistito da Strumenti: Rover ha superato la combinazione di LLM con WizardMerge del 3,82% (WS), 1,85% (ED) e 4,07% (CS).
• Sensibilità al Contesto: Lo studio ha rilevato che aumentare le dimensioni del contesto (sia righe adiacenti che profondità del grafo $k$) non migliora linearmente le prestazioni. Esiste un $k$ ottimale (ad esempio $k=4$); oltre questo, le dipendenze distanti irrilevanti degradano le prestazioni distraendo il modello.
• Copertura: Rover ha raggiunto un tasso di copertura dei conflitti del 98,83% sul dataset di WizardMerge, significativamente superiore al 90,67% di WizardMerge, principalmente perché Rover opera sul codice sorgente senza richiedere la compilazione completa del progetto.
• Dipendenza dal Modello: L'efficacia di Rover variava in base all'LLM. Ha migliorato le prestazioni su modelli più grandi (gpt-oss-20b) ma ha degradato le prestazioni su modelli più piccoli (Llama-3.1-8B), suggerendo un "collo di bottiglia del ragionamento" in cui i modelli più piccoli faticano a interpretare contesti lunghi e complessi.

5. Significato e Rivendicazioni

Il documento posiziona Rover come un passo significativo verso una risoluzione dei conflitti completamente automatizzata e consapevole del contesto.

• Contesto Deterministico: A differenza dei sistemi basati su agenti, Rover fornisce una base deterministica e analizzabile per la selezione del contesto, evitando il non-determinismo dell'esplorazione guidata dagli LLM.
• Colmare il Divario: Colma con successo il divario tra l'analisi del programma (che comprende le dipendenze ma manca della capacità generativa) e gli LLM (che possono generare codice ma mancano di una profonda consapevolezza contestuale).
• Praticità: Operando a livello di codice sorgente e senza richiedere la compilazione completa del progetto, Rover è più robusto e applicabile a scenari di fusione reali rispetto agli strumenti che si basano su analisi basate sul compilatore (come WizardMerge).
• Limitazioni Modeste: Gli autori riconoscono che MtCPG attualmente presenta limitazioni con determinate funzionalità specifiche del linguaggio (ad esempio, assembly inline in C, gestione complessa delle eccezioni) e che le metriche basate su stringhe non garantiscono pienamente la correttezza funzionale, sebbene la convalida tramite campionamento manuale abbia mostrato una forte correlazione positiva tra i punteggi delle metriche e l'accettazione della risoluzione.

Gli autori concludono che un'informazione contestuale appropriata, derivata da un'analisi delle dipendenze principiale, è essenziale per migliorare la risoluzione dei conflitti basata su LLM, e Rover dimostra efficacemente questo potenziale.