PulseAugur
中
实时 09:16:28
English(EN) Automated Root-Cause Subclassification and No-Code Fix Generation for Invalid Bug Reports

AI 自动化 Bug 报告分类和无代码修复生成

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了自动分类无效 Bug 报告并生成无代码修复的方法，旨在减少客户支持中的资源浪费。他们在一个精心策划的基准数据集上，对 vanilla LLMs、检索增强生成 (RAG) 和 agentic web search 进行了实验。RAG 在子分类方面表现最佳，加权 F1 分数达到 0.66，而 agentic web search 在无代码修复生成方面领先，Judge LLM 成功率为 68.9%。 AI

影响 自动化 Bug 报告的分类和解决，可能节省大量的开发和支持资源。

排序理由 该集群包含一篇详细介绍新颖研究方法和实验结果的学术论文。[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) · Mahmut Furkan Gon, Emre Dinc, Tevfik Emre Sungur, Eray Tuzun ·

    自动化根因子分类和无效 Bug 报告的无代码修复生成

    arXiv:2605.17561v2 Announce Type: replace-cross Abstract: Issues faced when using software are reported in the form of bug reports. However, many bug reports are invalid, meaning they do not require code changes, and are resolved with a no-code fix. Manually determining the root …

相关实体

相关话题