arXiv cs.AI· Zhe Yin, Yuling Shi, Xiaodong Gu, Beijun Shen·· 14 小时前AI 评分38
高效 AI 编程的推理模式：一项实证研究
Reasoning Patterns for Efficient AI Coding: An Empirical Study
AI 导读
一项实证研究将大型推理模型（LRM）的推理轨迹转为结构化动作序列，在四类编程任务中归纳出四种通用推理模式：代码生成的设计到实现、执行推理的状态追踪、调试的证据—修复—复查、翻译的语义映射。研究还区分出与有效轨迹相关的正向模式和与无效轨迹相关的负向模式，并验证了任务识别、模式引导提示词和负向模式感知提前停止三项应用，后者可大幅降低 API token 用量而 pass@1 仅小幅下降。
正文 · AI 翻译
摘要：大型推理模型（LRM）会生成较长的推理轨迹，这些轨迹暴露了中间推理行为，为研究和控制 AI 编码中的推理提供了机会。然而，这些轨迹中的潜在模式及其在分析和引导编码模型方面的潜力仍鲜为人知，限制了对 LRM 推理的系统性刻画与推理时控制。我们对四种代表性编码任务中的推理模式进行了实证研究。我们将推理轨迹转换为结构化动作序列，并利用任务内支持度、跨任务对比以及有效—无效支持度对比来挖掘反复出现的片段。我们刻画了编码智能体的四种通用推理模式：代码生成中的从设计到实现、执行推理中的状态追踪、调试中的证据—修复—复查，以及翻译中的语义映射。我们进一步识别出分别与有效和无效推理轨迹相关的正向和负向模式。正向模式体现验证驱动的收敛，而负向模式则体现反复的设计修改、反思和知识回忆却未能收敛。为展示其实际效用，我们评估了三种基于模式的应用：任务识别、模式引导提示和模式感知提前停止。捕捉通用推理模式的特征使得无需访问任务描述或最终答案即可从推理轨迹中准确识别任务。由正向和负向模式引导的提示提升了下游任务的总体准确率，而负向模式感知提前停止大幅减少了 API 报告的 token 用量，同时 pass@1 仅小幅下降。这三种应用也都泛化到了此前未见过的模型，表明推理模式能够同时支持对 AI 编码中 LRM 行为的分析与控制。
| 学科： | 软件工程（cs.SE）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.34943 [cs.SE] |
| （或本版本的 arXiv:2610.34943v1 [cs.SE]） | |
| https://doi.org/10.48550/arXiv.2610.34943 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Zhe Yin [查看邮箱]
[v1]
2026 年 10 月 26 日星期一 07:10:58 UTC（224 KB）
来源：arXiv cs.AI · arxiv.org