技术摘要：面向自动化程序修复的规范化“氛围”编程（Specification Vibing）

问题陈述

由大语言模型（LLM）驱动的自动化程序修复（APR）技术发展迅速，但现有的大多数方法仍然是**以代码为中心（code-centric）**的。它们试图直接将有缺陷的源代码重写为补丁代码。作者认为这种范式存在根本性的局限性：

1. 幻觉与不一致性： 直接的代码操作存在生成行为不一致或产生幻觉的修复方案的风险，因为 LLM 可能会忽略或扭曲嵌入在程序中的关键需求相关信息。
2. 与意图失配： 许多缺陷的产生是因为实现的行为偏离了开发者的预期需求。以代码为中心的方法往往无法显式地捕 án 捕捉这种意图，导致修复过程仅解决了表面症状而非根本原因。
3. 可扩展性与泛化能力： 传统的基于启发式、约束或模板的方法受限于人工设计，而基于学习的方法则在数据稀疏性和语义正确性方面面临挑战。

论文指出需要一种新的范式——一种依赖于比原始代码对 LLM 更易于理解、分析和对齐的表示形式的范式。

方法论：VibeRepair

作者提出了 VibeRepair，这是一种以规范为中心（specification-centric）的 APR 技术，它将修复过程重新定义为“行为-规范修复”，而非随机的代码编辑。该过程分为三个不同的阶段，并由一个统一的框架进行协调：

1. 转换阶段 (Transformation Phase)

• 输入： 有缺陷的代码和失败的测试用例。
• 过程： LLM 将有缺陷的程序翻译成一个结构化的、有缺陷的行为规范。
• 机制： 通过零样本提示（zero-shot prompt）和预定义的模板（涵盖函数、目的、签名、输入、输出和行为），LLM 生成一个自然语言规范，该规范显式地捕捉了当前（有缺陷的）行为，并包含对代码偏离预期逻辑之处的注释。

2. 修复阶段 (Repair Phase)

• 输入： 有缺陷的规范和失败的测试用例。
• 过程： LLM 通过逐步推理来纠正规范中的不一致之处。
  • 推理（Inference）： 根据测试失败情况推导出正确的预期行为。
  • 诊断（Diagnosis）： 识别有缺陷规范与预期行为之间偏差的根本原因。
  • 修订（Revision）： 生成修正后的行为规范。
• 可选的推理组件： 对于默认修复失败的困难案例，VibeRepair 会激活按需运行的推理代理（reasoning agent）。该代理：
  • 使用工具库（例如 trace_method_usage、identify_variable）来分析程序执行轨迹和变量数据流。
  • 根据与当前缺陷的相似性，从数据库中检索历史性的“缺陷-修复”对。
  • 合成支持性信息（意图、根因、修复建议）以引导 LLM。
  • 约束： 该组件仅在默认路径失败时激活，以平衡成本（Token 消耗）与有效性，防止信息过载。

3. 生成阶段 (Generation Phase)

• 输入： 修正后的行为规范。
• 过程： LLM 严格根据修复后的规范来合成可执行代码。
• 验证与迭代： 生成的代码通过测试套件进行验证。
  • 如果成功，则返回补丁。
  • 如果失败，失败信息（错误消息、预期输出 vs 实际输出）会被反馈回修复阶段。LLM 根据这些新证据修订规范，并循环执行，直到找到有效的补丁或达到终止条件。

核心贡献

1. 创新的以规范为中心的范式： 论文引入了一种独特的方法，即在生成代码之前先修复行为规范，从而显式地解决规范失配问题，而不是直接修改有缺陷的程序。
2. VibeRepair 框架： 一个模块化的三阶段框架（转换、修复、生成），使 LLM 能够推断意图、修复规范并合成代码。它包含一个用于处理困难案例的、受成本控制的推理组件。
3. 全面的评估： 在 Defects4J (v1.2 和 v2.0) 以及 Real-World Bugs (RWB) 基准测试上的广泛实验表明，VibeRepair 的表现优于现有的最先进基准方法。
4. 开放科学： 作者开源了完整的框架，以促进未来关于以规范为中心的 APR 研究。

实验结果

评估针对多个基准方法（包括 ReinFix、ChatRepair、ThinkRepair 以及传统的 GAMMA 和 TENURE）使用 GPT-4o、GPT-4、GPT-3.5 和 DeepSeek-Coder 进行。

• Defects4J v1.2： VibeRepair（使用最小推理）正确修复了 174 个缺陷，超过了最强基准（ReinFix）28 个（提升了 19%）。
• Defects4J v2.0： VibeRepair 修复了 178 个缺陷，优于 ReinFix 33 个（提升了 23%）。
• 补丁空间效率： 与通常采样数百甚至数千个候选方案的基准方法相比，VibeRepair 以显著更小的补丁探索空间实现了这些结果（每个缺陷最多 15 个候选：5 次尝试 × 3 轮反馈）。
• 独特修复： VibeRepair 产生了大量的独特正确修复（v1.2 有 41 个，v2.0 有 41 个），这些是其他工具无法修复的，表明它解决了现有 APR 技术此前无法处理的缺陷。
• 成本效益： “按需”推理策略（仅在失败时激活推理组件）提供了最佳平衡，在实现最高修复率的同时，相比于始终开启推理，其成本增加极小。
• 泛化性： 该方法在不同的 LLM 后端（GPT-4、GPT-3.5、DeepSeek-Coder）上均保持了强劲的表现，证明其并非针对特定模型进行定制。

意义与主张

论文声称 VibeRepair 成功地将 APR 重新定义为面向“氛围（vibe）”编程的时代，其核心在于将修复过程聚焦于显式的行为意图。通过将意图外部化为行为规范，并利用验证反馈进行迭代优化，该方法使得实现过程能够“跟随”修正后的需求。

作者断言，这种方法：

• 通过将代码生成锚定在经过验证的规范上，降低了产生幻觉修复的风险。
• 与纯粹以代码为中心的方法相比，提高了修复的有效性和泛化能力。
• 提供了一种可扩展的解决方案，比当前的先进方法需要更少的计算资源（更小的补丁空间）。

论文总结道，以行为规范为中心是基于 LLM 的 APR 一个充满前景的方向，并提出：“让行为‘歌唱’起来，代码自然会随之而来。”