🤖 AI

Specification-Based Code-Text-Code Reengineering for LLM-Mediated Software Evolution

本文提出了一种基于规范的 Code2Text2Code 重构框架，通过将源代码转换为中立的文本规范以进行迭代验证，随后再生成目标代码，从而减轻大语言模型介导的软件演进中的语义漂移和行为不一致问题。

原作者： Oleg Grynets, Vasyl Lyashkevych, Arsen Dolichnyi, Roman Piznak, Taras Zelenyy, Volodymyr Morozov

发布于 2026-05-26

📖 1 分钟阅读☕ 轻松阅读

原作者： Oleg Grynets, Vasyl Lyashkevych, Arsen Dolichnyi, Roman Piznak, Taras Zelenyy, Volodymyr Morozov

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，你正试图将一份来自 20 世纪 50 年代乌克兰祖父母厨房的复杂手写食谱，翻译成 2024 年智能烤箱现代数字食谱应用中的格式。

如果你只是让翻译者（人工智能）“把这份旧食谱变成新食谱”，他们可能会译对文字，却搞砸了烹饪。他们可能会在需要“数字传感器”的新烤箱中保留“木勺”的指令，或者不小心添加原食谱中不存在的“秘密配料”。结果看起来像食谱，却可能把你的蛋糕烤焦。

本文提出了一种更聪明的翻译方法，不仅适用于食谱，也适用于计算机软件。他们称之为代码–文本–代码重构。

以下是其工作原理，分解为简单步骤：

1. 问题：“直接翻译”的陷阱

通常，当人们使用人工智能将软件从一种语言转换为另一种语言（例如从 Python 迁移到 Java）时，他们进行的是代码到代码的翻译。

风险：人工智能可能会复制旧代码的风格，而非其含义。这就像逐字翻译一首诗而丢失了情感。新代码看起来可能正确，但行为却不同，或者可能遗漏旧代码所依赖的隐藏规则。

2. 解决方案：“中立翻译者”（中间人）

作者没有直接从旧代码跳到新代码，而是插入了一个中间步骤：中立文本规范。

这可以想象成一份详细的、纯英文的蓝图，它描述软件做什么，而不提及它是如何在旧语言中构建的。

步骤 1（代码到文本）：人工智能读取旧代码并撰写中立描述。它会说：“此函数接收一个数字列表，将它们相加，并将结果保存到数据库。”它忽略了旧代码中使用的特定编程技巧。
步骤 2（检查）：人类或其他工具检查此描述，确保其与原始内容完全匹配。我们是否遗漏了某一步？是否凭空创造了一个新步骤？
步骤 3（文本到代码）：人工智能阅读这份干净、中立的描述，并用目标语言编写新代码。由于人工智能不再查看旧代码，它就不会无意中复制旧风格。它会严格按照蓝图描述构建新代码。

3. “安全网”工具

本文指出，这不仅仅是撰写文本，而是围绕该过程构建一个安全系统：

“事实核查员”（检索）：在人工智能撰写任何内容之前，它会在文档、图表和代码片段的库中查找事实，以确保它不是在猜测。这就像厨师在加盐之前查阅食谱。
“分块”策略：你不能一口吞下整本图书馆的书。系统将代码分解为小的、逻辑性的“块”（像章节一样），这样人工智能就不会感到困惑或遗漏关联。
“蓝图”（图与本体）：系统构建一张地图（图），显示软件不同部分之间的连接方式。如果旧软件在两个岛屿之间有一座桥，新软件也必须拥有这座相同的桥。这张地图有助于衡量翻译是否成功。

4. 衡量成功：我们是否丢失了什么？

你怎么知道新软件与旧软件相同？作者创建了一个**“损耗计算器”**。
想象一下，你正将家具从老房子搬到新房子。

结构保留：你是否搬走了所有房间？（是/否）
接口稳定性：你还能以同样的方式打开前门吗？（是/否）
总体相似度：一个分数，告诉你原始“房子”在搬迁中保留了多少。

5. 他们的发现

研究人员在多种类型的代码（SQL 数据库、Web 脚本、通用编程）上测试了这种方法。

结果：使用“中立文本”作为中间人，比直接翻译代码效果更好。它减少了错误，并使新代码的行为更符合原始意图。
局限：有时，人工智能需要人类介入，以澄清旧代码中令人困惑的部分。它尚未完全自动化；这是一个“人在回路”的过程。

大局观

本文认为，我们不应将软件更新视为简单的“复制 - 粘贴”工作。相反，我们应将其视为重构。

旧方式：“这是旧代码；给我新代码。”（风险高，不透明）。
新方式：“这是旧代码。首先，用通俗易懂的英语解释它的功能。检查该解释。然后，基于该解释构建新代码。”（安全、透明且可控）。

简而言之，他们正在教导人工智能停止翻译文字，开始翻译含义，利用清晰、中立的蓝图，确保在转换过程中没有任何东西丢失。

技术摘要：基于规范的代码–文本–代码重构，用于大语言模型介导的软件演进

1. 问题陈述

大语言模型（LLM）正日益被用于软件迁移、重构和代码再生。然而，直接的代码到代码转换方法面临显著局限。这些局限包括：

语义漂移：模型可能保留表面语法，同时改变底层业务逻辑或引入隐藏的行为变化。
非惯用输出：生成的代码可能保留不适合目标环境的源语言结构。
可追溯性丧失：源代码、模型解释与再生成工件之间往往缺乏清晰的关联。
上下文缺失：直接转换通常未能考虑数据依赖、异常处理和非功能性假设。

该论文认为，大语言模型介导的软件演进不应仅被视为代码生成，而应被视为一个受控的重构过程，需要中间表示层以确保语义一致性和结构保持。

2. 方法论：代码–文本–代码框架

所提出的框架引入了一个基于规范的代码–文本–代码重构模型。核心转换流程定义为：
$C_0 \rightarrow S_n \rightarrow C_1$
其中 $C_0$ 是源代码， $S_n$ 是中性文本规范， $C_1$ 是再生成的目标代码。

A. 中性文本规范 ( $S_n$ )

与简单的代码摘要不同， $S_n$ 是一种结构化、可验证的工件，旨在捕捉：

程序行为、标识符和计算流程。
条件、副作用和数据依赖。
特定领域意图，且不带源语言语法偏见。
它充当“语义中介”，将软件“做什么”与“如何实现”分离开来。

B. 知识表示层

该框架集成了多个表示层以支持可追溯性和验证：

AST 与元数据提取：结构化提取事实（函数名、签名、依赖），以约束生成过程并减少幻觉。
本体与语义标注：将中间表示映射到结构化知识（OWL/SKOS），以支持推理和复用。
图表示：利用代码属性图（CPG）跟踪依赖（调用、读取、写入）并估算转换损失。
混合检索：结合向量搜索（用于语义相似性）、图遍历（用于结构依赖）和元数据过滤，为代码到文本和文本到代码阶段提供依据。

C. 流水线架构

端到端流水线包括：

事实上下文提取：在生成规范之前收集标识符和依赖。
代码到文本生成：利用 RAG 和事实上下文创建初始中性规范。
迭代验证与细化：将规范与源代码进行比较，以检测缺失的行为或过度的假设。
人在回路：针对模糊的业务逻辑或隐藏假设，可选地引入专家修正。
文本到代码生成：基于验证后的规范生成目标代码，确保目标语言实现的惯用性。
目标验证：验证语法、功能等价性和接口稳定性。
DBMS 反馈（针对 SQL）：使用基于执行的验证以确保特定方言的正确性。

D. 语义感知分块

论文强调，朴素的分块会破坏语义单元。它提出了一种由原子性、自解析能力和语义感知性定义的“理想代码块”，并通过边界 F1 和块确定性等指标进行评估。

3. 主要贡献

该论文提出了五项主要贡献：

概念阐释：将代码–文本–代码重新框架化，不是作为翻译流水线，而是作为基于规范的重构过程，其中中性文本是一种受控的知识工件。
流水线架构：一个综合系统，集成了事实提取、迭代验证、人工修正和 DBMS 支持的反馈。
知识表示模型：一个统一模型，结合 AST 元数据、本体、图依赖和中性文本，以链接源代码、文档和再生成工件。
实验评估：一个涵盖多种语言（Java、Python、C++、SQL 方言）的数据集，以及一个评估协议，用于比较中间表示（伪代码、图 IR、编译器 IR、自然语言 IR）。
形式化损失估算：一种基于图的形式化方法，用于量化转换损失，使用以下指标：
- 方向性结构保持 ( $\alpha$ )：衡量源依赖的保留程度。
- 反向兼容性 ( $\beta$ )：衡量不必要目标依赖的引入程度。
- 接口保持 ( $\delta_{IO}$ )：确保输入/输出的稳定性。
- 总图相似度 ( $S$ )：上述指标的加权调和平均值。

4. 实验结果

作者使用每种语言 1,000 个脚本的数据集进行了实验，涵盖九种编程语言和五种 SQL 方言。

中间表示比较：与伪代码、基于图的 IR 或编译器风格的 IR 相比，自然语言 IR（即中性规范）在大语言模型介导的转换中表现出最强的实际适用性。
检索评估：向量检索在语义相关性方面更准确，而图检索在依赖导航方面延迟更低。推荐采用混合方法。
文档转换：在技术文档到业务文档的实验中，24 个块中有 22 个通过了验证。失败案例涉及逻辑扭曲或范围遗漏，突显了验证循环的必要性。
提示调优：使用 DSPy/MIPROv2，作者发现原始、经过精心约束的基线提示优于自动生成的变体。这表明对于受控重构任务，显式约束（中性、结构）比提示复杂性更为关键。
图指标：形式化指标成功量化了结构保持和接口稳定性，提供了一种检测“看似合理但错误”转换的方法。

5. 意义与主张

该论文主张，基于规范的代码–文本–代码重构为不透明的直接代码生成提供了一种受控、可追溯且可监控的替代方案。

透明度：通过使中间规范显式化，模型的解释变得可见、可审查且可修正。
质量控制：该框架超越了局部的语法正确性，评估语义覆盖、检索依据和结构保持。
智能监控：作者将该框架不仅定位为转换工具，而且定位为“智能监控”的对象，持续评估语义一致性和转换损失。
重构与翻译：该工作断言，大语言模型介导的软件演进需要从简单的翻译转向涉及代码、技术文档、业务需求和图结构的多级表示过程。

论文结论指出，虽然该方法显示出前景，但需要谨慎处理分块、检索依据和人在回路验证，以减轻语义漂移和幻觉的风险，特别是在金融或医疗系统等高风险领域。