Breaking the Dependency Chaos: A Constraint-Driven Python Dependency Resolution Strategy with Selective LLM Imputation
本文介绍了 SMT-LLM，这是一种混合依赖解析系统，它结合了确定性 AST 分析、PyPI 查询和选择性 LLM 插值，并辅以 Z3 SMT 求解器，从而与 PLLM 等仅依赖 LLM 的方法相比，实现了显著更高的成功率和更快的解析速度。
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
想象一下，你正试图烤一个蛋糕，但手里只有一张皱巴巴的旧食谱卡片。卡片上列出了“面粉”、“鸡蛋”和“魔法粉尘”等配料，却未说明需要哪个品牌的面粉、多少个鸡蛋，甚至是否需要特定类型的烤箱。
在计算机编程（特别是 Python）领域，这被称为依赖解析。开发者编写代码时，需要依赖其他预先制作好的代码块（包）才能运行。问题在于，这些包有不同的版本，且某些版本互不相容。如果混合了错误的版本，整个“蛋糕”（软件）就会分崩离析，无法运行。
长期以来，解决这一问题的最佳方法是使用非常智能的人工智能（大型语言模型，LLM）来猜测正确的配料。但正如本文作者所发现的那样，这种 AI 就像一位胡乱猜测的厨师：尝试烘焙、失败、再次猜测，如此循环数十次。这种方法既缓慢、昂贵，又经常出错。
新方法：SMT-LLM
作者 Kowshik Chowdhury 及其团队构建了一个名为SMT-LLM的新系统。请将其视为一位使用严格规则手册的超级有条理的侦探，而非猜测者。
以下是该系统的运作方式，分解为简单步骤：
1. 侦探的工具包（而非猜测）
SMT-LLM 不使用“我需要 Flask 的哪个版本？”这类询问 AI 的方式，而是利用一套确定性工具：
- 代码扫描器（AST）： 它像人类一样阅读代码，通过查看结构来确定确切使用的语言版本。
- 库目录（PyPI）： 在询问 AI 之前，它会先检查 Python 包的官方在线目录（PyPI），以确认实际存在的内容及其规则。
- 翻译器： 它知道如果代码写着
import cv2，实际上指的是opencv-python包。它内置了处理这些转换的字典。
2. 规则手册（约束求解）
这是关键所在。该系统构建了一个巨大的逻辑谜题。
- 硬性规则： “如果你使用 Flask 2.0 版本，则必须使用 Werkzeug 2.0 或更高版本。”这些是从官方目录中发现的不可协商的事实。
- 软性规则： “如果目录中缺少信息，AI 可以做出有根据的猜测来推断依赖关系，但如果该猜测导致冲突，我们可以忽略它。”
随后，系统使用一个强大的数学引擎（称为Z3 求解器）来解开这个谜题。这就像是一个数独求解器，能瞬间找到唯一符合所有规则的配料组合，而不是盲目尝试随机组合直到碰巧成功。
3. “恢复阶梯”
如果第一次尝试失败（例如代码需要计算机上未安装的特定库），系统不会只是让 AI 再次尝试。相反，它会查看错误信息，将其转化为数学引擎的新规则，然后再次求解谜题。它以非常结构化的方式执行此操作，一旦找到可行的解决方案便立即停止。
为何它是游戏规则的改变者
作者使用包含 2,891 个旧代码片段的大型集合，将新系统与旧的纯 AI 方法（称为 PLLM）进行了测试。结果如下：
- 成功率： 旧 AI 修复了约55%的问题。而新的 SMT-LLM 系统修复了83.6%。这是一个巨大的飞跃。
- 速度： 旧方法平均需要151 秒来修复一个片段。新方法仅需24 秒。其速度快了6 倍以上。
- 效率： 旧 AI 每次修复平均需要向 AI 模型“询问”约 25 次。而新系统平均仅需询问2 次。事实上，在**45%**的情况下，它根本不需要 AI 的参与！
核心结论
本文认为，当你面对涉及事实（存在哪些包？）和逻辑（哪些版本可以协同工作？）的问题时，不应依赖“富有创造力”的 AI 来猜测整体。
相反，你应该仅在绝对必要时（用于填补缺失的事实）才使用 AI，而让严格、逻辑严密的数学引擎承担将各个部分组合在一起的重任。这之间的区别，就像是一位靠猜测配方的厨师与一位遵循精确、经数学验证公式的烘焙大师之间的差异。
什么行不通？
即使有了这个新系统，仍有约 16% 的代码片段未能修复。作者发现，这主要是因为代码依赖于：
- 仅存在于特定计算机上的专用软件（如 Blender 或 IDA Pro），且不在公共目录中。
- 为已不存在的 Python 版本编写的代码。
- 属于私人项目且从未打算共享的文件。
简而言之，只要代码不依赖于难以找到的“配料”，SMT-LLM 就是一种更快、更便宜、更可靠的修复损坏 Python 代码的方法。
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。