Поиск: Улучшение обработки исключений в коде с использованием мультиагентного подхода на основе LLM

Seeker: Enhancing Exception Handling in Code with LLM-based Multi-Agent Approach

October 9, 2024

Авторы: Xuanming Zhang, Yuxuan Chen, Yuan Yuan, Minlie Huang

cs.AI

Аннотация

В разработке программного обеспечения реального мира неправильная или отсутствующая обработка исключений может серьезно повлиять на надежность и надёжность кода. Механизмы обработки исключений требуют, чтобы разработчики обнаруживали, захватывали и управляли исключениями в соответствии с высокими стандартами, однако многие разработчики испытывают затруднения с этими задачами, что приводит к хрупкому коду. Эта проблема особенно заметна в проектах с открытым исходным кодом и влияет на общее качество программной экосистемы. Для решения этой проблемы мы исследуем применение больших языковых моделей (БЯМ) для улучшения обработки исключений в коде. Проведя обширный анализ, мы выявляем три ключевые проблемы: Нечувствительное обнаружение хрупкого кода, Неточный захват типов исключений и Искаженные решения обработки. Эти проблемы широко распространены в репозиториях реального мира, что свидетельствует о том, что надежные практики обработки исключений часто игнорируются или неправильно обрабатываются. В ответ мы предлагаем Seeker, мультиагентный фреймворк, вдохновленный стратегиями опытных разработчиков по обработке исключений. Seeker использует агентов: Сканер, Детектор, Хищник, Ранжировщик и Обработчик для помощи БЯМ в более эффективном обнаружении, захвате и разрешении исключений. Наша работа является первым систематическим исследованием по использованию БЯМ для улучшения практик обработки исключений, предоставляя ценные идеи для будущих улучшений в надежности кода.

English

In real world software development, improper or missing exception handling can severely impact the robustness and reliability of code. Exception handling mechanisms require developers to detect, capture, and manage exceptions according to high standards, but many developers struggle with these tasks, leading to fragile code. This problem is particularly evident in open source projects and impacts the overall quality of the software ecosystem. To address this challenge, we explore the use of large language models (LLMs) to improve exception handling in code. Through extensive analysis, we identify three key issues: Insensitive Detection of Fragile Code, Inaccurate Capture of Exception Types, and Distorted Handling Solutions. These problems are widespread across real world repositories, suggesting that robust exception handling practices are often overlooked or mishandled. In response, we propose Seeker, a multi agent framework inspired by expert developer strategies for exception handling. Seeker uses agents: Scanner, Detector, Predator, Ranker, and Handler to assist LLMs in detecting, capturing, and resolving exceptions more effectively. Our work is the first systematic study on leveraging LLMs to enhance exception handling practices, providing valuable insights for future improvements in code reliability.