arXiv cs.AI· Sujoy Roychowdhury, Joseph H. R. Isaac, Jiangning Gao, Martin Klitte, Diarmuid Corcoran·· 12 小时前AI 评分31
Code Comprehensor：面向大型代码库的分层文档与跨模态检索框架
Code Comprehensor: Hierarchical Documentation and Cross-Modal Retrieval for Large Repositories
AI 导读
Code Comprehensor 提出混合检索-推理框架，由 CodeGraph 调用图、CodeScribe 分层文档生成和 CLIP 风格双编码器 CodeContrast 组成，实现文本到代码的语义检索。在 OpenCV 和一个 500 万行专有代码库上，CodeScribe 生成的监督信号显著提升跨模态检索准确率，RAGAS 评测忠实度超过 90%。
正文 · AI 翻译
摘要：理解大型、复杂且快速演进的代码库，仍是规模化软件工程的核心挑战，它阻碍了新成员上手、维护、重构和影响分析。将这些信息提供给大型语言模型（LLM）是另一道难关，因为 LLM 不仅要理解所需的代码方法，还要理解其在仓库整体格局中关联的方法。我们提出 Code Comprehensor，一个混合检索-推理框架，结合了 (i) CodeGraph，一个代码依赖调用图，(ii) CodeScribe，它使用具备代码感知能力的 LLM 在仓库调用图上生成分层文档，以及 (iii) CodeContrast，一个 CLIP 风格的双编码器模型，在 CodeScribe 输出上训练，以学习对齐的文本-代码嵌入。CodeContrast 能够快速、语义精确地检索相关的代码上下文邻域，这些邻域作为基于 MCP 的 LLM 编排器回答领域特定查询时的有据证据。在 OpenCV 和一个专有的 500 万行代码仓库上的评估表明，与基线方法相比，CodeScribe 衍生的监督显著提升了文本到代码的跨模态检索准确率。更丰富的文本监督（分层文档、父/兄弟上下文以及 LLM 生成的合成问题）在两个仓库上均持续提升性能。使用流行的 RAGAS 对 Code Comprehensor 输出进行的 LLM-as-a-judge 评估，其忠实度得分超过 90%。
| 评论： | 已被第 42 届国际软件维护与演化会议接收 |
| 主题： | 软件工程 (cs.SE)；人工智能 (cs.AI)；机器学习 (cs.LG) |
| 引用为： | arXiv:2610.30016 [cs.SE] |
| （或 arXiv:2610.30016v2 [cs.SE] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.30016 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Sujoy Roychowdhury [查看电子邮件]
[v1]
2026年10月21日星期三 16:45:43 UTC（750 KB）
[v2]
2026年10月22日星期四 03:09:23 UTC（750 KB）
来源：arXiv cs.AI · arxiv.org