基于动态路由的意图链式思维提示：面向代码生成
人工智能
2025-12-17 v1
摘要
大型语言模型（LLM）展现出强大的生成能力，在代码生成领域显示出巨大的潜力。现有的链式思维（CoT）提示方法通过引导中间步骤来增强模型推理，但存在两个主要局限：首先，其统一应用可能导致简单任务产生过度思考；其次，它们缺乏对代码生成中意图的抽象建模，例如显式建模核心算法设计和效率，导致模型仅关注表层结构而忽视全局问题目标。受认知经济原理启发——仅在必要时启动结构化推理以节省认知资源——本文提出RoutingGen，一种面向代码生成的难度感知路由框架，动态适应提示策略。对于简单任务，它采用少样本提示；对于更复杂的任务，它调用称为意图链式思维（ICoT）的结构化推理策略，引导模型捕获任务意图，如核心算法逻辑及其时间复杂度。实验在三个模型和六个标准代码生成基准上表明，RoutingGen 在大多数设置下实现了最佳性能，同时在各设置下平均降低了 46.37% 的总 token 使用量。此外，ICoT 在具有挑战性的基准上优于六个现有提示基线。
引用
@article{arxiv.2512.14048,
title = {Intention Chain-of-Thought Prompting with Dynamic Routing for Code Generation},
author = {Shen Li and Li Huang and Shaoxiong Zhan and Weifeng Sun and Tao Yin and Zhongxin Liu and Meng Yan},
journal= {arXiv preprint arXiv:2512.14048},
year = {2025}
}
备注
Accepted at AAAI-2026