GuardRails：澄清歧义目的语句的自动化建议

在实现一个函数之前，鼓励程序员编写目的语句，即对该函数计算内容的简短自然语言解释。目的语句可能存在歧义，即当两种或多种不等价的计算对某些输入都看似合理时，它可能未能明确指定预期的行为。本文做出四项贡献。首先，我们提出一种新颖的启发式方法，利用大型语言模型（LLM）来建议此类输入。利用这些建议，程序员可以选择澄清目的语句（例如，通过提供一个函数示例来指定在此类输入上的预期行为）。其次，为评估我们启发式方法所建议输入的质量，并促进未来研究，我们创建了一个包含已知歧义的目的语句开放数据集。第三，我们将我们的启发式方法与 GitHub Copilot 的 Chat 功能进行比较，后者在被提示生成单元测试时可以建议类似的输入。第四，我们提供了该启发式方法的开源实现，作为 Visual Studio Code 的一个扩展，用于 Python 编程语言，其中目的语句和函数示例分别以 docstring 和 doctest 的形式指定。我们相信，该工具将对新手程序员和教师特别有帮助。