Context Matters: Evaluating Context Strategies for Automated ADR Generation Using LLMs
该论文通过评估五种不同的上下文策略，发现利用大语言模型自动生成架构决策记录（ADR）时，包含少量近期记录（通常为 3-5 条）的上下文提示策略在质量与效率之间取得了最佳平衡，表明上下文工程比模型规模本身对自动化效果更为关键。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
这篇论文探讨了一个非常实际的问题：如何用人工智能（AI）自动帮软件工程师写“架构决策记录”（ADR），以及如何让 AI 写得更好。
为了让你轻松理解，我们可以把整个研究过程想象成**“教一个实习生写工作日记”**的故事。
1. 背景：什么是 ADR？为什么需要 AI？
想象一下，你是一家大公司的软件架构师。你的工作就是决定公司大楼（软件系统）该怎么盖：是用砖头还是混凝土？电梯装在哪？
每次你做一个重大决定，你都需要写一份**“架构决策记录”（ADR）。这就好比“工作日记”**，里面要写清楚：
- 背景：为什么要做这个决定？
- 决定：我们选了哪个方案？
- 后果：选了之后会有什么影响？
痛点：写日记很麻烦，而且往往没人愿意写。结果就是，很多项目刚开始写，后来就忘了，导致新来的员工（维护者）看不懂之前的决定，甚至把大楼盖歪了（架构漂移）。
解决方案：大家想，能不能用**AI（大语言模型）**来自动写这些日记？只要告诉 AI“我们要换测试框架了”，它就能自动写出完整的日记。
2. 核心问题：AI 需要多少“上下文”？
这就引出了论文的核心：给 AI 多少“历史资料”作为参考，它才能写得最好？
这就好比教那个实习生写日记：
- 情况 A（无上下文）：你只给实习生一个标题“换测试框架”，让他凭空瞎编。
- 结果：他可能会写出一堆废话，或者完全不符合公司之前的风格。
- 情况 B（全量历史）：你把公司过去 10 年所有的 5000 份日记全塞给他，让他自己找参考。
- 结果：资料太多，他看花了眼，找不到重点，而且处理起来太慢，成本太高。
- 情况 C（只给最近的）：你只给他看最近 3-5 份日记。
- 结果：他抓住了最近的趋势，写得很准。
- 情况 D（智能检索）：你告诉他“去找跟‘测试框架’最相关的几份日记”，不管它们是什么时候写的。
- 结果：理论上很完美，但操作复杂。
3. 研究人员做了什么？
作者们收集了750 个开源软件项目的4500 多份真实 ADR 记录，把它们整理成了一条条时间线。然后，他们让不同的 AI 模型（像 Gemini, Qwen 等）尝试用上述**五种不同的“给资料策略”**来写新的 ADR，最后拿 AI 写的和人类写的真日记做对比。
4. 关键发现（用比喻解释）
🏆 发现一：有参考总比没参考强
比喻：让实习生完全不看以前的日记（无上下文），他写出来的东西就像**“无头苍蝇”，又长又啰嗦，而且经常偏离主题。
结论：只要给 AI 看一点历史资料，它写的日记质量就会突飞猛进**。
🎯 发现二：不需要“读万卷书”，只需“温故知新”
比喻：你不需要把实习生关在图书馆里读过去 10 年的所有日记（全量历史）。研究发现，只要给他看最近 3 到 5 份日记（Last-K 策略），他写得就几乎和看了一整年资料一样好！
为什么？ 因为软件架构的决策通常有**“近因效应”。现在的决定，往往更多是受最近的决定影响，而不是受一年前的决定影响。
结论：“最近 3-5 条记录”**是性价比最高的策略。既省时间（省钱），效果又好。
🧩 发现三：智能检索（RAFG）是“特种部队”
比喻：有一种策略叫**“智能检索”（RAFG），它不是按时间顺序给资料，而是像“特种部队”一样，专门去档案库里找“概念上最相关”**的几份资料。
结论：
- 在大多数普通情况下，它和“只看最近记录”的效果差不多。
- 但在特殊复杂的情况下（比如要解决一个跨越了几年前的老问题，或者涉及多个不相关的模块），它能挖出那些被时间埋没的重要线索，这时候它就比“只看最近”更厉害。
- 代价：它太复杂了，需要额外的技术搭建，平时没必要用。
🤖 发现四：模型大小不是关键，给什么资料才是关键
比喻：以前大家觉得，要写好日记，必须用最聪明、最贵的 AI 大脑（大参数模型）。
结论：这篇论文发现，只要给的资料（上下文）给对了，一个小巧、便宜、甚至能在本地运行的 AI（小模型），也能写出和大模型一样好的日记。
核心观点：“怎么给资料”（上下文工程）比“用多大的模型”更重要。
5. 给普通人的启示（总结）
这篇论文告诉我们，在让 AI 帮忙写专业文档时：
- 不要让它“裸奔”：一定要给它提供背景信息。
- 不要“信息过载”：给太多旧资料反而没用，**“最近 3-5 条”**通常是黄金法则。
- 资料质量很重要：如果人类自己写的日记里全是“详见外部链接”这种废话，AI 也学不会写得好。所以，人类先要把自己的记录写清楚、写完整，AI 才能帮上忙。
- 小模型也能干大事：只要策略得当，不需要花大价钱买最顶级的 AI，普通的 AI 也能胜任。
一句话总结：
教 AI 写架构日记，不用给它读一辈子书，只要让它看看最近几天的“朋友圈”（最近几条记录），它就能写得既专业又高效。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。