FGDM：基于链路思考与树状思考的面向软件 bug 检测的推理感知多智能体框架
软件工程
2026-04-29 v1 机器学习
摘要
深度学习方法正在成为自动化软件 bug 检测的热门方法，但它们缺乏对给定代码的全局理解。因此，在应用于大型相互关联的代码库或复杂模块化程序时，其性能往往会下降。最近，大型语言模型 (LLM) 在捕捉代码库中多个相互关联模块之间的依赖关系方面显示出良好效果。这促使我们提出了 Flow-Graph-Driven Multi-Agent Framework (FGDM)，该框架由四个以顺序方式运行的智能体组成。该框架将接收到的代码转换为流程图，识别错误段落，进而生成修复后的代码。所有所使用的智能体都利用链链思考 (Chain-of-Thought, COT) 和树状思考 (Tree-of-Thought, TOT) 提示。此外，我们还集成了 FAISS 向量数据库来检索类似的以前的 bug 及其修复。我们在包括 Ansible、Black、FastAPI、Keras、Luigi、Matplotlib、Pandas、Scrapy、SpaCy 和 Tornado 在内的多个项目中的 100 多个程序中展示了该框架的有效性。我们的实验表明，FGDM 在现有方法之上，分别在 Python 和 C 中的 Levenshtein 距离平均降低 24.33 和 8.37，余弦相似度分别为 0.951 和 0.974。
引用
@article{arxiv.2604.24831,
title = {FGDM: Reasoning Aware Multi-Agentic Framework for Software Bug Detection using Chain of Thought and Tree of Thought Prompting},
author = {Srita Padmanabhuni and Bhargavi Karuturi and Jerusha Karen Indupalli and Santhan Reddy Chilla and Vivek Yelleti},
journal= {arXiv preprint arXiv:2604.24831},
year = {2026}
}