NeuroSync：通过直接 LLM 理解修改实现意图感知的基于代码的问题求解
人机交互
2025-08-06 v1 人工智能
计算与语言
软件工程
摘要
编程经验有限的领域用户已广泛采用对话式 LLM 来解决领域问题。然而，这些用户经常面临其意图与生成代码之间的错位，从而导致挫败感和多轮澄清。本研究首先调查了这种错位的原因，其归因于双向歧义：用户意图和编程任务本质上是非线性的，却必须通过线性的提示和代码序列来表达与解释。为解决此问题，我们提出了直接意图-任务匹配，这是一种新型人-LLM 交互范式，它将 LLM 理解（即 LLM 在代码生成之前推断的编程任务及其关系）外化并允许直接操作。作为概念验证，该范式随后在 NeuroSync 中得以实现，它采用知识蒸馏流水线来提取 LLM 理解、用户意图及其映射，并通过允许用户经由可视化直观地检查和编辑它们来增强对齐。我们通过技术实验评估了 NeuroSync 的算法组件，并通过用户研究（N=12）评估了其整体可用性和有效性。结果表明，它增强了意图-任务对齐，降低了认知负担，并提高了编程效率。
引用
@article{arxiv.2508.02823,
title = {NeuroSync: Intent-Aware Code-Based Problem Solving via Direct LLM Understanding Modification},
author = {Wenshuo Zhang and Leixian Shen and Shuchang Xu and Jindu Wang and Jian Zhao and Huamin Qu and Linping Yuan},
journal= {arXiv preprint arXiv:2508.02823},
year = {2025}
}
备注
Accepted in UIST 2025