paperbot · PL 论文追踪

全部论文 待读 收藏

P2 Large Language Models for Code Refactoring

面向代码重构的大型语言模型
ICSE Proceedings of the 2026 IEEE/ACM 48th International Conference on Software Engineering2026匹配度 3/10 · 论文研究LLM用于代码重构与可维护性问题识别，属于LLM辅助软件工程，但未涉及静态分析、形式化验证、浮点程序分析或贝叶斯程序分析等用户核心方向；仅因使用LLM作为代码处理工具而与“AI→PL”有微弱交集。引用 1 inbox
Henrique Nunes
机器学习与程序语言编程环境与开发者工具
crossref: 2026-09-12

AI 速览

一句话：博士提案研究用大语言模型识别与重构可维护性问题，并构建重构数据集、评测多种提示技术。

本博士提案研究如何利用大语言模型（LLM）进行代码重构，并报告三项研究。第一项研究评估 LLM 在识别与重构可维护性问题上的表现，结果表明尽管存在局限，但结果仍有前景。第二项研究提出 MaRV，一个面向提示技术设计的重构数据集。第三项为进行中的工作，计划评估多种提示技术在不同重构类型上的性能。提案还介绍了作者的贡献与博士阶段的未来议程。整体而言，该工作聚焦于将 LLM 应用于代码重构任务，并通过数据集构建与提示技术评测，系统探索其能力边界与改进方向。

问题
如何利用大语言模型有效识别与重构代码中的可维护性问题，并系统评估不同提示技术在不同重构类型上的效果。
方法
通过三项研究展开：评估 LLM 在可维护性问题识别与重构上的表现；构建面向提示技术设计的重构数据集 MaRV；设计并比较多种提示技术在不同重构类型上的应用。
评估
第一项研究显示 LLM 虽有限制但结果有前景；第三项进行中的研究将评估多种提示技术在不同重构类型上的性能，MaRV 数据集将用于相关实验。
原文摘要（Abstract）

This PhD proposal investigates the use of Large Language Models (LLMs) for code refactoring. We present and discuss three studies. The first evaluated LLMs in identifying and refactoring maintainability issues, showing that, despite their limitations, the results are promising. The second introduced MaRV, a refactoring dataset designed for prompting techniques. The third is an ongoing study in which we will evaluate the performance of several prompting techniques applied to different refactoring types. This proposal also presents our contributions and the future agenda of my PhD.

链接与引用

DOI 原文 · PDF（开放获取） ·

BibTeX 
@inproceedings{paperbot11578,
  title = {Large Language Models for Code Refactoring},
  author = {Henrique Nunes},
  booktitle = {ICSE},
  year = {2026},
  doi = {10.1145/3774748.3787635}
}