arXiv cs.AI· Rishi Raj, Aashray Tandon, Nikolay Matyunin, Jibesh Patra·· 12 小时前AI 评分24
ComBeautify：用代码变更摘要生成 Conventional Commits 提交信息
ComBeautify: Leveraging Code Change Summaries for Conventional Commit Generation
AI 导读
ComBeautify 通过 LLM 对 Git diff 做保留上下文的摘要，自动生成符合 Conventional Commits 规范的提交信息，并从历史提交中学习项目专属的类别定义。
正文 · AI 翻译
摘要：现代软件开发依赖 Git 等版本控制系统来跟踪变更并促进协作。虽然提交信息对于传达开发者意图至关重要，但它们并不影响程序功能；因此，开发者往往缺乏编写有意义提交信息的动力。约定式提交规范（CCS）通过结构化格式和指南来解决这一问题，帮助开发者表达变更意图，提高清晰度并实现自动化。然而，开发者在遵循该格式的同时常常难以表达意图。特别是，由于可能的类别数量众多或缺乏项目特定的指导，他们可能会错误分类提交。我们提出了 ComBeautify，一种自动生成符合 CCS 的提交信息的方法。我们的混合方法利用大语言模型（LLM）对 Git 差异进行保留上下文的摘要，以提高 CCS 下的提交分类准确性。我们不依赖人工整理的类别定义，而是从历史提交中学习这些定义。我们还提出了一种自动生成 CCS 描述组件的方法。
我们在 13 种语言、6,500 个开源仓库和超过 2,000 万次提交上进行的实证评估，提供了对 CCS 采用情况的长期洞察，揭示了合规性不断提高。我们在二十个流行仓库上的评估揭示了由通用类别定义指导的方法的局限性，并表明 ComBeautify 在项目特定数据上训练时，性能比基线高出多达 3 倍。此外，使用包含 2,000 条人工整理提交的数据集，我们验证了摘要方法，达到高达 95.25% 的准确率并超越基线。这些发现强调了需要可适应、上下文感知的 AI 方法来进行提交分类和生成符合 CCS 的提交信息。
| 学科： | 软件工程（cs.SE）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.34374 [cs.SE] |
| （或 arXiv:2610.34374v1 [cs.SE] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.34374 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Nikolay Matyunin [查看电子邮件]
[v1]
2026 年 10 月 25 日星期日 15:31:39 UTC（131 KB）
来源：arXiv cs.AI · arxiv.org