Seeker：面向异常安全代码生成的中间语言智能体框架

在实际软件开发中，不当或缺失的异常处理会严重影响代码的健壮性和可靠性。异常处理机制要求开发者按照高标准检测、捕获和管理异常，但许多开发者难以完成这些任务，导致代码脆弱。这个问题在开源项目中尤为明显，并影响整个软件生态系统的质量。为应对这一挑战，我们探索使用大语言模型(LLM)改进代码中的异常处理。通过广泛分析，我们识别出三个关键问题：脆弱代码的不敏感检测、异常块的不准确捕获、以及扭曲的处理方案。这些问题在实际仓库中普遍存在，表明健壮的异常处理实践常被忽视或处理不当。为此，我们提出Seeker，一个受专家开发者异常处理策略启发的多智能体框架。Seeker使用智能体：Scanner、Detector、Predator、Ranker和Handler，帮助LLM更有效地检测、捕获和解决异常。我们的工作是首个系统性地利用LLM增强实际开发场景中异常处理实践的研究，为未来代码可靠性改进提供了宝贵见解。