AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：软件工程×
6月30日
10:37
6月29日
13:48
6月24日
06:12
6月21日
00:56
00:56宝玉@dotey
精选
文章将传统软件工程实践迁移到 AI Agent 开发中，强调需求分析时需给 Agent 充足上下文并反复对齐，系统设计时用 plan 模式拆分里程碑。代码审查建议先让 Agent 审查格式和逻辑，但人需兜底业务逻辑。自动化测试包括单元测试、集成测试和端到端测试，需与 CI 集成自动运行。灰度发布和 CI/CD 机制（如 feature flag、自动回滚）可减少线上不稳定。线上修复目前更现实的是 AI 辅助定位、人确认后再提交，而非全自动闭环。
技巧Agent软件工程代码审查自动化测试CI/CD
推荐理由：宝玉分享的实操经验：把传统软件工程的代码审查、测试覆盖、灰度发布等方法用到 AI Agent 上，能少写 bug、少修 bug，适合正在用 Agent 写代码的团队。
原文
6月20日
15:24
6月16日
20:46
6月15日
11:11
6月12日
12:57
09:31
09:31arXiv cs.AI@Ali Arabat, Mohammed Sayagh
该研究分析了148个项目中15549个由AI智能体（如GitHub Copilot）生成的拉取请求（Agentic-PRs），探讨指令文件对AI智能体性能的影响。研究发现，创建指令文件并不总是提升合并率：27.7%的项目合并率提升至少20%，但26.35%的项目反而下降。代码变更量和合并所需时间等指标也呈现类似分化。初步探索表明，成功提升合并率的项目拥有更长、结构更清晰的指令文件。研究呼吁将指令文件开发视为软件工程活动（Instructions-as-Code），以帮助实践者优化AI协作。
论文AI智能体指令文件拉取请求软件工程GitHub Copilot
推荐理由：做AI辅助开发的团队会发现，指令文件不是写得越多越好——研究揭示了哪些写法真正有效，建议点开看看如何优化你的项目指令。
原文
6月11日
15:28
15:23
15:07
6月10日
13:42
02:54
01:08
6月8日
06:23
04:43
04:43Greg Brockman@gdb
72°
OpenAI 发布了 Codex 的数十个真实世界工作流用例，展示了团队如何用它自动化工作。用例涵盖从软件工程、设计到数据分析和运维，包括管理收件箱、审查 GitHub PR、将 Figma 设计转为生产代码、快速理解大型代码库、自动化 bug 分类和 QA 流程、用自然语言查询电子表格、从提示直接部署应用、更快构建 Mac 和 iOS 应用、自动创建幻灯片、将 Slack 线程转为编码任务等。OpenAI 表示 Codex 正在从 AI 助手转变为 AI 队友。
AI产品CodexAI 队友自动化工作流软件工程OpenAI
推荐理由：OpenAI 把 Codex 从助手升级为队友，这些真实用例覆盖了开发、设计、运维全流程，做自动化或想提升团队效率的可以直接参考复用。
原文
6月4日
06:43
6月2日
12:06
12:06arXiv: Anthropic@Mikael Gorsky
随着AI编程助手普及，软件工程师的工作正从写代码转向指导智能体，但学术界发现当前缺失的不是更好的模型，而是系统化的实践者学科。为此，论文提出ASE-26，一套完整的本科课程体系，包含21个模块，核心概念是“进化螺旋”作为意图与构建共同演化的操作形式。课程还涉及与智能体协作完成作业的评分承诺，以及如何让学科超越当前模型能力。该课程已作为可引用参考存入Zenodo，旨在通过结构化教育填补行业缺乏的智能体软件工程技能。
论文智能体软件工程课程体系AI编程教育
推荐理由：软件工程教育者或AI工具重度用户会发现，ASE-26直接回应了行业从写代码到指挥智能体的转型痛点，值得参考其课程设计思路。
原文
06:50
5月28日
05:21
05:21rohanpaul_ai@rohanpaul_ai
72°
Datacurve 推出 DeepSWE，一个更严格的编程基准测试，旨在揭示领先模型之间的真实差距。GPT-5.5 得分 70%，而 GPT-5.4 为 56%，Claude Opus 4.7 为 54%，差距在旧基准中常被掩盖。DeepSWE 使用原创任务而非公开 GitHub 问题，避免模型训练时见过答案。其提示词长度仅为 SWE-bench Pro 的一半，但解决方案需要 5.5 倍代码量和约 2 倍输出 token。评分方式也不同，DeepSWE 检查请求行为是否真正实现，而非仅依赖合并 PR 的测试。
AI模型基准测试编程能力GPT-5.5Claude Opus软件工程
推荐理由：做 AI 模型评估或选型的团队，DeepSWE 能帮你看到模型在长周期软件工程任务上的真实差距，建议关注这个新基准。
原文
5月26日
11:44
11:44arXiv cs.AI@Bar Weiss, Antonio Abu-Nassar, Adi Sosnovich, Karen Yorav
本文提出了一种基于大语言模型的两阶段流水线，用于对代码补丁中的变更进行结构化标签标注（如重命名、移动、逻辑修改等），以提升代码审查效率。该方法先对diff块进行标签分配，再精炼以捕捉结构关系和语义属性，采用少样本提示实现语言无关和可定制的标签，无需传统静态分析管线的工程开销。在人工标注的基准上，最佳配置达到了84%的召回率和81%的精确度。研究表明，LLM标签标注能有效补充静态分析，支持灵活、多语言、可自动化的代码审查工作流。
论文代码审查大语言模型结构化标签少样本提示软件工程
推荐理由：代码审查团队终于有了更智能的辅助——LLM自动标注变更类型（重命名/移动/逻辑修改），比人工逐行看diff高效太多，做代码审查或CI/CD集成的开发者可以直接参考。
原文
5月22日
10:44
10:44arXiv: DeepSeek@Yuxuan Sun, Yuze Zhao, Yufeng Wang, Yao Du, Zhiyuan Ma, Jinbo Wang, Mengdi Zhang, Kai Zhang, Zhenya Huang
精选
SWE-Mutation 是一个新基准，用于评估大语言模型（LLM）生成的测试套件的质量。它通过引入系统性的变异解决方案来“欺骗”测试套件，从而衡量测试套件的判别能力。该基准包含从800个原始实例衍生的2,636个变异变体，并覆盖九种编程语言。实验表明，即使是DeepSeek-V3.1，其验证率也仅为10.20%，检测率为36.15%，暴露了当前LLM在生成可靠测试套件方面的严重不足。该研究还提出了一种智能体驱动的变异策略，使测试套件更难被欺骗，从而更真实地反映LLM的能力缺陷。
论文LLM评估测试套件软件工程变异测试DeepSeek
推荐理由：软件工程团队和AI研究者终于有了一个严谨的测试套件质量评估工具——SWE-Mutation能帮你判断LLM生成的测试是否真的可靠，做自动化测试或代码修复的开发者值得关注。
原文
5月21日
08:00
5月16日
22:25
5月14日
13:27
13:27arXiv cs.AI@Mohammad Reza Mousavi
精选
一项新研究测试了 Gemini-3、GPT-5.4 和 Qwen-3.6 三个大模型对高级消息序列图（HMSC）语义的理解能力。HMSC 是 UML 序列图的基础，具有严格的形式语义。研究设计了 129 个语义任务，涵盖基本语义查询、抽象与组合、迹与标签转移系统计算。结果显示，LLM 整体准确率仅约 52%，其中基本语义理解较好（88%），但抽象与组合任务（36%）和迹与 LTS 任务（42%）表现很差。所有模型都未能理解共区域和显式因果依赖等概念。这表明 LLM 在形式化软件工程任务上仍有显著局限。
论文LLM形式语义软件工程UML序列图
推荐理由：做形式化方法或软件建模的开发者会发现，LLM 对 UML 序列图语义的理解远不如预期，依赖 LLM 生成设计文档时需谨慎验证。
原文
5月12日
19:11
19:11arXiv cs.AI@Roxana Geambasu, Mariana Raykova, Pierre Tholoniat, Trishita Tiwari, Lillian Tsai, Wen Zhang
该论文指出当前AI智能体普遍采用的“即时合成”范式（on-the-fly loop）缺乏严谨的软件工程流程，如迭代设计、严格测试、对抗性评估和分阶段部署，导致实际输出如同“临时原型”，在高风险场景下不可靠。作者提出将软件工程引入智能体循环，打造经过硬化、有确定性约束的生产级agent workflow，并通过复用分摊成本。为此，他们构想了一个“AI Workflow Store”，即存放硬化且可复用的工作流库，智能体可调用这些工作流以显著提升可靠性。论文还探讨了灵活性-鲁棒性张力下的研究挑战。
论文智能体AI安全软件工程工作流存储
推荐理由：该研究直击当前AI智能体可靠性不足的痛点，提出以工程化工作流复用替代即时合成，为构建生产级智能体系统提供了重要思路，对Agent落地高风险场景具有参考价值。
原文