To Diff or Not to Diff? Structure-Aware and Adaptive Output Formats for Efficient LLM-based Code Editing
本文介绍了结构感知差异格式（BlockDiff 和 FuncDiff）以及一种自适应策略（AdaEdit），使大语言模型能够动态选择最节省令牌的编辑格式，在实现全代码准确性的同时，将长代码编辑任务的延迟和成本降低 30% 以上。
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
想象你是一位资深编辑，正与一位才华横溢但略显死板的机器人助手合作。你的任务是指导该机器人如何修复一段代码（即一组计算机指令）。
问题所在：“蛮力”机器人
目前，大多数 AI 编程助手的工作方式就像一位蛮力画家。如果你要求它们修改一本 1000 页书中仅仅一个词，它们不会只写出那个新词，而是会从头开始重写整本 1000 页的书。
- 为何这是糟糕的： 这极其缓慢（高延迟），且消耗巨大的计算资源（高成本），因为它们生成了成千上万你根本不需要的词。
- 替代方案： 你可能会想，“只需告诉机器人写一个‘差异’（diff，即变更列表），例如‘第 5 行：将'cat'改为'dog''"。
旧有的“差异”问题：脆弱的地图
该论文发现，标准的“差异”格式就像脆弱的藏宝图，依赖于精确的坐标（例如“前往第 42 行，第 3 列”）。
- 问题所在： AI 模型擅长推测上下文，却不擅长计数。如果 AI 猜错行号是 43 而不是 42，整个指令就会失败。这就像根据一个不存在的门牌号给人指路；他们立刻就会迷路。
- 另一个问题： 有时“差异”会将一个句子切断，要求 AI 仅修复句子的中间部分，而没有开头或结尾。这对 AI 来说显得不自然，从而导致错误。
解决方案：“块”与“函数”方法
作者 Wei Cheng 及其同事引入了一种与机器人沟通的新方式。他们不再提供坐标或破碎的句子片段，而是教导 AI 以逻辑块进行思考。
将代码文件想象成不是长长的行列表，而是一座乐高城堡。
- 旧方法： “移除第 10 行、第 5 列的红色积木。”（难以定位，容易出错）。
- 新方法（BLOCKDIFF 与 FUNCDIFF）： “取出城堡的整个‘窗户’部分，并用新的窗户设计替换它。”
现在，AI 将代码视为连贯的单元（如循环、函数或 if 语句）。它会一次性重写整个“窗户”或“门”。这对 AI 来说自然得多，就像人类描述修复整个房间比移动单块瓷砖更容易一样。
智能切换：ADAEDIT
研究人员意识到，有时重写整个“块”实际上比重写整页还要“多此一举”。如果你需要修改 90% 的代码，发送变更列表比直接发送新代码还要长。
因此，他们创建了ADAEDIT，一个智能开关。
- 工作原理： 在 AI 开始输入之前，它会审视任务并自问：“是发送变更列表更快，还是直接发送整个新代码更快？”
- 结果： AI 学会自动做出这一选择。如果变更很小，它发送“块差异”；如果变更巨大，它发送完整代码。
结果：更快、更便宜、同样出色
该论文在各种编程任务上测试了这种方法。以下是他们的发现：
- 准确性： 新方法与传统“重写一切”方法的准确性一样高。
- 速度与成本： 对于长代码，这种新方法快且便宜 30% 以上，因为它阻止了 AI 浪费时间重写未变更的代码部分。
- 可靠性： 由于 AI 不再猜测行号，这些“补丁”（修复）在应用到代码时确实有效。
简而言之： 该论文教导 AI 编程助手停止像复印机那样为单个错别字重印整本书，转而像一位熟练的编辑，知道何时只需替换一个段落，何时需要重写整个章节。
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。