O Índice de Decaimento de Depuração: Repensando Estratégias de Depuração para LLMs de Código
The Debugging Decay Index: Rethinking Debugging Strategies for Code LLMs
June 23, 2025
Autores: Muntasir Adnan, Carlos C. N. Kuhn
cs.AI
Resumo
A eficácia da depuração por IA segue um padrão previsível de decaimento exponencial; a maioria dos modelos perde 60-80% de sua capacidade de depuração em apenas 2-3 tentativas, apesar da depuração iterativa ser uma capacidade crítica para sistemas práticos de geração de código. Introduzimos o Índice de Decaimento de Depuração (IDD), uma estrutura matemática que quantifica quando a depuração se torna ineficaz e prevê pontos de intervenção. Nossa abordagem estratégica de reinício muda da exploração para a exploração em pontos estratégicos do processo de depuração, demonstrando que intervenções bem-temporizadas podem resgatar a eficácia da depuração. O IDD revela uma limitação fundamental na depuração atual por IA e fornece a primeira estrutura quantitativa para otimizar estratégias iterativas de geração de código.
English
The effectiveness of AI debugging follows a predictable exponential decay
pattern; most models lose 60-80% of their debugging capability within just 2-3
attempts, despite iterative debugging being a critical capability for practical
code generation systems. We introduce the Debugging Decay Index (DDI), a
mathematical framework that quantifies when debugging becomes ineffective and
predicts intervention points. Our strategic fresh start approach shifts from
exploitation to exploration at strategic points in the debugging process,
demonstrating that well-timed interventions can rescue the effectiveness of
debugging. DDI reveals a fundamental limitation in current AI debugging and
provides the first quantitative framework for optimising iterative code
generation strategies.