💬 NLP

ArkTS-CodeSearch: A Open-Source ArkTS Dataset for Code Retrieval

Este artigo apresenta o ArkTS-CodeSearch, o primeiro benchmark sistemático e conjunto de dados de código aberto para a linguagem ArkTS, focado em tarefas de recuperação de código e avaliação de modelos de compreensão de código.

Autores originais: Yulong He, Artem Ermakov, Sergey Kovalchuk, Artem Aliev, Dmitry Shalymov

Publicado 2026-02-10

📖 3 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Yulong He, Artem Ermakov, Sergey Kovalchuk, Artem Aliev, Dmitry Shalymov

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

🔍 O Problema: O "Dialeto Perdido" do Mundo Digital

Imagine que o mundo da tecnologia é uma grande biblioteca universal. A maioria dos programadores escreve seus livros em línguas famosas, como o Inglês, o Espanhol ou o Francês (que no mundo do código são linguagens como Python ou Java). Com essas línguas, existem tradutores automáticos incríveis e buscadores super inteligentes que encontram qualquer informação num piscar de olhos.

No entanto, surgiu uma nova "língua" chamada ArkTS. Ela é a língua principal de um ecossistema tecnológico em crescimento chamado OpenHarmony (usado em muitos dispositivos inteligentes). O problema? Ninguém conhece essa língua direito ainda.

É como se tivéssemos um novo dialeto maravilhoso sendo falado em uma cidade inteira, mas não existissem dicionários, não houvesse tradutores e, se você tentasse pesquisar algo no Google usando esse dialeto, ele não encontraria nada. Os robôs de inteligência artificial (IA) atuais são como turistas perdidos: eles ouvem o ArkTS, mas não entendem o significado profundo do que está sendo dito.

🛠️ A Solução: O Projeto "ArkTS-CodeSearch"

Um grupo de pesquisadores decidiu resolver esse problema criando o primeiro grande "Dicionário Inteligente" para essa língua. Eles fizeram três coisas principais:

A Grande Coleta (O Garimpo): Eles foram até as grandes "praças públicas" de código (GitHub e Gitee) e coletaram milhares de exemplos de como as pessoas escrevem em ArkTS. Eles não pegaram apenas o código puro, mas também as "notas de rodapé" (comentários) que os programadores escrevem explicando o que cada parte faz.
A Organização (O Bibliotecário): Eles usaram uma ferramenta especial para "desmontar" o código e entender sua estrutura, como se estivessem analisando o esqueleto de um brinquedo de LEGO para entender como ele foi montado. Isso criou um conjunto de dados organizado e pronto para ser estudado.
O Treinamento (A Escola de Idiomas): Eles pegaram robôs de busca que já eram bons em outras línguas (como o TypeScript, que é um "primo próximo" do ArkTS) e os colocaram em uma escola intensiva de ArkTS. Eles ensinaram o robô: "Quando o humano perguntar 'como somar dois números', procure por este pedaço de código aqui".

🚀 O Resultado: Um Robô que Finalmente Entende

Os pesquisadores testaram os robôs e descobriram algo fascinante: não é apenas o tamanho do robô que importa, mas o quanto ele estudou o assunto certo.

Um robô de tamanho médio, que passou por esse "treinamento intensivo" de ArkTS, acabou sendo muito mais inteligente e eficiente do que um robô gigante que nunca tinha visto essa língua antes. É como comparar um gênio que só fala latim com um estudante dedicado que acabou de aprender português: para conversar em português, o estudante dedicado ganha de longe!

💡 Por que isso é importante para você?

Mesmo que você não seja um programador, isso impacta o futuro. À medida que mais dispositivos inteligentes (relógios, geladeiras, carros) usam o sistema OpenHarmony, ter ferramentas de busca e assistentes de IA que entendam a linguagem deles significa:

Programas mais rápidos de serem criados.
Menos erros nos aparelhos que usamos.
Tecnologia mais acessível e inteligente para todos.

Em resumo: Os pesquisadores construíram o mapa e o dicionário para uma nova fronteira tecnológica, permitindo que a inteligência artificial finalmente consiga "ler" e ajudar no desenvolvimento de novos dispositivos inteligentes.

Resumo Técnico: ArkTS-CodeSearch

1. O Problema (Contexto e Motivação)

O ArkTS é a linguagem de programação central do ecossistema OpenHarmony, essencial para o desenvolvimento de aplicativos em dispositivos inteligentes. Apesar do crescimento acelerado do ecossistema (com mais de 800 milhões de dispositivos), a pesquisa em inteligência de código para ArkTS é extremamente limitada.

O principal obstáculo é a ausência de conjuntos de dados (datasets) públicos e benchmarks padronizados. Sem esses recursos, é difícil avaliar modelos de linguagem (LLMs) e ferramentas de busca semântica de código, dificultando o avanço de tecnologias como recomendação de código, tradução automática e análise de software para esta linguagem específica.

2. Metodologia

Os autores propuseram um pipeline completo para a construção de um benchmark de busca de código (code retrieval). A metodologia divide-se em quatro etapas principais:

Coleta de Dados: Foram minerados repositórios do GitHub (via busca por palavras-chave) e do Gitee (via páginas curadas do OpenHarmony), resultando em 1.577 repositórios únicos. O foco foi em arquivos com extensão .ets.
Extração Estruturada (Parsing): Utilizando o parser tree-sitter-arkts, os autores converteram o código-fonte em Árvores de Sintaxe Abstrata (AST). Isso permitiu extrair pares precisos de docstrings (comentários em linguagem natural) e suas respectivas funções ou classes, garantindo que a extração fosse sintaticamente correta.
Tarefa de Busca (Single-Search): Definiram a tarefa de busca semântica onde, dada uma docstring, o modelo deve recuperar a função correspondente em um espaço de embedding compartilhado.
Estratégias de Fine-Tuning: Para melhorar os modelos, testaram três configurações de treinamento por contraste supervisionado:
1. ARKTS-TRAINING: Apenas com dados de ArkTS.
2. TS-TRAINING: Apenas com dados de TypeScript (linguagem base do ArkTS).
3. TS $\rightarrow$ ARKTS-TRAINING: Uma estratégia de dois estágios (primeiro adapta o modelo ao TypeScript e depois ao ArkTS).

3. Principais Contribuições

Primeiro Dataset de Larga Escala para ArkTS: Um conjunto de dados público contendo 24.452 funções de ArkTS com docstrings correspondentes.
Benchmark Padronizado: Estabelecimento de um protocolo de avaliação de busca de código baseado no framework CodeSearchNet, utilizando métricas como MRR, NDCG e Recall.
Modelo Fine-tuned: Liberação de um modelo de embedding otimizado para ArkTS, disponível no Hugging Face.

4. Resultados e Discussões

Os experimentos revelaram insights cruciais sobre o comportamento dos modelos de embedding:

Superioridade do Fine-tuning: Modelos pré-treinados (zero-shot) apresentam desempenho limitado. O ajuste fino (fine-tuning) em dados específicos de ArkTS melhora drasticamente todas as métricas.
Escala vs. Domínio: Embora modelos maiores (como o Qwen3-0.6B) tenham bom desempenho, modelos de tamanho médio (como o embeddinggemma-300m) podem superar modelos maiores após o fine-tuning, provando que a adaptação ao domínio é mais importante que o número de parâmetros.
Impacto do Idioma: Como uma parte significativa das docstrings no dataset está em chinês, modelos com forte representação de linguagem chinesa (como a família BGE da BAAI) superaram modelos focados apenas em inglês.
Estratégia de Dois Estágios: A abordagem TS $\rightarrow$ ARKTS mostrou-se altamente eficaz para modelos maiores, aproveitando a similaridade estrutural entre TypeScript e ArkTS para melhorar a recuperação.
Falha do BM25: A busca léxica tradicional (BM25) foi significativamente inferior aos métodos de embedding, confirmando que a busca semântica é essencial para lidar com a diversidade de comentários e códigos.

5. Significância

Este trabalho é fundamental para o ecossistema OpenHarmony. Ao fornecer a infraestrutura de dados necessária, os autores permitem que pesquisadores desenvolvam ferramentas de IA mais robustas para desenvolvedores de ArkTS. Isso facilita a migração de código entre ecossistemas, a detecção de erros e a automação do desenvolvimento de software em uma das plataformas de sistemas operacionais que mais cresce no mundo.