更快的代码开发，更深的债务负担？关于技术债务及其在大型语言模型辅助软件开发中早期迹象的多声部文献综述

《ACM Transactions on Software Engineering and Methodology》：Faster Code, Deeper Debt? A Multivocal Literature Review on Technical Debt and Its Early Signs in LLM-Assisted Software Development

　　

摘要 AI摘要

要查看此由AI生成的摘要，您必须具有高级访问权限。

了解更多 登录

摘要

摘要

随着大语言模型（LLM）辅助编码的快速普及，管理这些系统带来的技术债务的需求变得迫切。在本文中，我们对104个来源（31个正式来源，73个非正式来源）进行了多视角的文献回顾，以探讨LLM辅助开发如何导致技术债务，以及存在哪些策略、指标和基准来减轻这种债务。我们发现，LLM往往会加剧传统形式的技术债务，特别是代码、设计和文档方面的债务，同时也会引入新的、特定于LLM的债务。值得注意的是，我们发现了“快速集成债务”这一现象，即快速生成的代码更注重速度而非质量，从而引发连锁反应，导致治理债务和长期维护成本增加。其他新兴的债务类别包括提示债务、伦理债务、数据债务和来源债务，这些债务反映了LLM应用带来的独特挑战。为了解决这些问题，文献中提出的策略包括人工参与框架、提示工程和数据质量对齐。在实践中，通常使用SonarQube等工具来检测技术债务指标，而像CodeSmellEval这样的研究原型正在出现，用于评估LLM对债务的贡献。然而，目前还不存在标准化的基准或特定于LLM的指标，这留下了一个重要的空白。基于研究结果，我们提出了见解和未来方向，以确保LLM能够可靠地整合到软件工程工作流程中。

AI摘要

AI生成摘要（实验性)

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章的相关性，并协助来自相关研究领域的读者理解本文。它旨在补充作者提供的摘要，后者仍然是文章的官方摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的生成版本。

要查看此由AI生成的通俗语言摘要，您必须具有高级访问权限。