探索 AI 辅助代码库生成的挑战与机遇
软件工程
2025-08-12 v1 人工智能
摘要
与流行的代码片段级生成相比，近期的 AI 代码助手在处理更复杂上下文和基于文本描述生成整个代码库方面的能力已显著提升。这些代码库 AI 助手（CBA）还能扩展或适配代码库，使用户能够专注于更高层次的设计和部署决策。尽管先前的工作已广泛研究了代码片段级代码生成的影响，但这类新型代码库生成模型仍相对未被探索。尽管有初步的轶事报告称对这些智能体感到兴奋，但与代码片段级代码助手相比，它们的采用频率仍然较低。为了更好地利用 CBA，我们需要了解开发者如何与 CBA 交互，以及 CBA 如何及为何未能满足开发者的需求。在本文中，我们通过一项平衡用户研究和访谈（n = 16），让参与的学生和开发者使用 CBA 完成编码任务，从而探索了这些差距。我们发现，参与者在提示中提供的信息各不相同，例如问题描述（占提示的 48%）、所需功能（占提示的 98%）、代码结构（占提示的 48%），以及他们的提示编写过程。尽管采用了多种策略，但对生成代码库的总体满意度评分仍然较低（平均分 = 2.8，中位数 = 3，评分范围为 1 到 5）。参与者提到功能是导致不满意的最常见因素（占实例的 77%），其次是代码质量差（占实例的 42%）和沟通问题（占实例的 25%）。我们深入探究了参与者的不满，识别出他们使用 CBA 时面临的六个潜在挑战，并提炼出将 CBA 融入其工作流程的五个障碍。最后，我们调查了 21 款商业 CBA，将其能力与参与者面临的挑战进行比较，并提出了设计更高效、更有用的 CBA 的机遇。
引用
@article{arxiv.2508.07966,
title = {Exploring the Challenges and Opportunities of AI-assisted Codebase Generation},
author = {Philipp Eibl and Sadra Sabouri and Souti Chattopadhyay},
journal= {arXiv preprint arXiv:2508.07966},
year = {2025}
}