PulseAugur
中
实时 05:06:54
English(EN) LLM Code Smells: A Taxonomy and Detection Approach

新的分类法识别软件中普遍存在的“LLM 代码异味”

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新的分类法和检测方法，用于识别“LLM 代码异味”，即大型语言模型在软件系统中集成不当的实践。他们的静态分析工具 SpecDetect4LLM 在超过 690 个开源项目上进行了评估。研究结果表明，这些代码异味普遍存在，影响了超过 73% 的已分析系统，并且检测工具实现了高精度。 AI

影响 识别并提供工具来缓解集成 LLM 时常见的软件工程陷阱，从而可能提高 AI 驱动应用程序的质量和可靠性。

排序理由 学术论文，详细介绍了与 LLM 集成相关的软件工程问题的新分类法和检测方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Zacharie Chenail-Larcher, Brahim Mahmoudi, Naouel Moha, Quentin Sti\'evenart, Florent Avellaneda ·

    LLM Code Smells: A Taxonomy and Detection Approach

    arXiv:2605.22976v1 Announce Type: cross Abstract: Large Language Models (LLMs) are increasingly integrated into software systems for diverse purposes, due to their versatility, flexibility, and ability to simulate human reasoning to some extent. However, poor integration of LLM i…

相关实体

相关话题