基于大语言模型的多智能体协作代码评审人推荐

来源：软件学报杂志2025年第6期北京时间：

作者：王路桥，周洋涛，李青山，王铭康，徐子轩，崔笛，王璐，罗懿行

单位：王路桥，西安电子科技大学 计算机科学与技术学院, 陕西 西安 710126;西安市智能软件工程重点实验室, 陕西 西安 71012611,周洋涛，西安电子科技大学 计算机科学与技术学院, 陕西 西安 710126;西安市智能软件工程重点实验室, 陕西 西安 71012602,李青山，西安电子科技大学 计算机科学与技术学院, 陕西 西安 710126;西安市智能软件工程重点实验室, 陕西 西安 71012603,王铭康，西安电子科技大学 计算机科学与技术学院, 陕西 西安 710126;西安市智能软件工程重点实验室, 陕西 西安 71012604,徐子轩，西安电子科技大学 计算机科学与技术学院, 陕西 西安 710126;西安市智能软件工程重点实验室, 陕西 西安 71012605,崔笛，西安电子科技大学 计算机科学与技术学院, 陕西 西安 710126;西安市智能软件工程重点实验室, 陕西 西安 71012606,王璐，西安电子科技大学 计算机科学与技术学院, 陕西 西安 710126;西安市智能软件工程重点实验室, 陕西 西安 71012607,罗懿行，北京控制工程研究所, 北京 10009408

摘要：基于拉取请求(pull request, PR)的软件开发机制是开源软件中的重要实践. 合适的代码评审人能够通过代码审查帮助贡献者及时发现PR中的潜在错误, 为持续开发和集成过程提供质量保障. 然而, 代码变更内容的复杂性以及评审行为固有的多样性增加了评审人推荐的难度. 现有方法主要聚焦于从PR中挖掘变更代码的语义信息, 或基于审查历史构建评审人画像, 并通过多种静态策略组合进行推荐. 这些研究受限于模型训练语料的丰富性以及交互类型的复杂性, 导致推荐性能不佳. 鉴于此, 提出一种基于智能体间相互协作的代码评审人推荐方法. 该方法利用先进的大语言模型, 精确捕捉PR和评审人丰富的文本语义信息. 此外, AI智能体强大的规划、协作和决策能力使其能够集成不同交互类型的信息, 具有高度的灵活性和适应性. 基于真实数据集进行实验分析, 与基线评审人推荐方法相比, 所提方法性能提升4.45%–26.04%. 此外, 案例研究证明, 所提方法在可解释性方面表现突出, 进一步验证了其在实际应用中的有效性和可靠性.

关键词：代码评审人推荐;基于智能体的软件工程;大型语言模型;代码审查

基金资助：国家自然科学基金(U21B2015, 62372351, 62402038); 陕西省科协青年人才托举计划(20220113); 江苏省自然科学基金(BK20232028); 西安电子科技大学杭州研究院概念验证基金(XJ2023230039)