arXiv cs.AI· Zacharie Chenail-Larcher, Brahim Mahmoudi, Naouel Moha, Quentin Sti\'evenart, Florent Avellaneda·· 12 小时前AI 评分38
LLM Code Smells：九类 LLM 代码坏味分类体系与检测工具 SpecDetect4LLM
LLM Code Smells: A Taxonomy and Detection Approach
AI 导读
研究者提出 LLM 代码坏味分类体系，收录九类 LLM 代码坏味，并开发静态源码分析工具 SpecDetect4LLM 用于检测。在 692 个开源项目、171,194 个源文件上的评估显示，73.5% 的系统存在 LLM 代码坏味，检测精确率 91.3%、召回率 71.8%。
正文 · AI 翻译
摘要：大型语言模型（LLM）因其通用性、灵活性以及在一定程度上模拟人类推理的能力，正越来越多地被集成到软件系统中以实现多种用途。然而，在源代码中对 LLM 推理的不当集成可能会损害软件系统质量。因此，必须记录不充分的 LLM 集成编码实践，以帮助开发者缓解此类问题。在先前关于 LLM 代码异味的工作基础上，本文通过提出一个自包含的分类体系以及包含九种 LLM 代码异味的目录，对该概念进行了整合与完善。我们还创建了 SpecDetect4LLM，一个用于检测这些异味的静态源代码分析工具，并对其检测有效性（精确率和召回率）以及 LLM 代码异味在 692 个开源软件项目（171,194 个源文件）中的普遍程度进行了广泛的实证评估。结果表明，LLM 代码异味影响了所分析系统中 73.5% 的系统，检测精确率为 91.3%，召回率为 71.8%。
| 学科： | 软件工程（cs.SE）；人工智能（cs.AI） |
| 引用为： | arXiv:2605.22976 [cs.SE] |
| （或 arXiv:2605.22976v2 [cs.SE] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.22976 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Brahim Mahmoudi [查看电子邮件]
[v1]
2026年5月21日 星期四 19:10:08 UTC（605 KB）
[v2]
2026年10月26日 星期一 20:34:23 UTC（535 KB）
来源：arXiv cs.AI · arxiv.org