在當(dāng)前的科技發(fā)展背景下，生成式人工智能（artificial intelligence, AI）已經(jīng)開始為軟件工程領(lǐng)域賦能，并衍生為一種新的生產(chǎn)力. 生成式AI 將大大加速軟件開發(fā)過程，減少測(cè)試的時(shí)間和人工成本，提高測(cè)試的覆蓋率、準(zhǔn)確性和可靠性，增強(qiáng)代碼的質(zhì)量和可維護(hù)性，同時(shí)幫助軟件管理人員更好地進(jìn)行項(xiàng)目管理與維護(hù)，提供自動(dòng)化軟件部署方式，并推動(dòng)軟件開發(fā)效率和質(zhì)量的快速提升. 以ChatGPT 為例，其自問世以來，已經(jīng)被應(yīng)用在軟件工程領(lǐng)域并得到了初步的探索. 生成式AI 作為一種新穎的簡(jiǎn)化代碼開發(fā)方式，使得測(cè)試用例的開發(fā)流程與技術(shù)手段更加簡(jiǎn)單、高效.

為反映生成式AI 在軟件工程領(lǐng)域中的相關(guān)研究前沿進(jìn)展與實(shí)踐，并推動(dòng)國(guó)內(nèi)相關(guān)研究向深度發(fā)展，我們組織了“生成式AI 與軟件自動(dòng)化”專題，邀請(qǐng)領(lǐng)域?qū)＜覍?duì)代碼合成評(píng)價(jià)指標(biāo)、代碼摘要生成、基于擴(kuò)散模型生成數(shù)據(jù)、基于大模型進(jìn)行需求獲取等生成式AI 和自動(dòng)化軟件工程的重要問題進(jìn)行專題討論.

評(píng)估指標(biāo)在代碼合成領(lǐng)域中具有至關(guān)重要的作用. 常用的代碼評(píng)估指標(biāo)可以分為3 類：基于匹配、基于語義和基于執(zhí)行. 其中，基于執(zhí)行的Pass@k 指標(biāo)通過執(zhí)行測(cè)試用例，能夠準(zhǔn)確判斷預(yù)測(cè)代碼的功能準(zhǔn)確性. 然而，該指標(biāo)的計(jì)算需要大量開銷，因此亟需設(shè)計(jì)一種自動(dòng)化評(píng)估指標(biāo)，在無需測(cè)試用例時(shí)仍可評(píng)估預(yù)測(cè)代碼的功能準(zhǔn)確性. 此外，好的評(píng)估指標(biāo)應(yīng)當(dāng)具有魯棒性，即預(yù)測(cè)代碼發(fā)生微小改變時(shí)，評(píng)估指標(biāo)仍能保持其準(zhǔn)確性. 為此，楊光等人提出了一種基于UniXcoder 和對(duì)比學(xué)習(xí)的自動(dòng)化魯棒指標(biāo)CodeScore-R，用于評(píng)估代碼合成的功能準(zhǔn)確性.CodeScore-R 采用草圖化處理、語法等價(jià)轉(zhuǎn)換和變異測(cè)試等技術(shù)手段，有效減輕了標(biāo)識(shí)符、語法結(jié)構(gòu)和運(yùn)算符對(duì)評(píng)估結(jié)果的干擾.

代碼摘要是源代碼的重要組成部分，可以提高開發(fā)人員對(duì)程序的理解效率. 近年來，代碼自動(dòng)摘要在方法級(jí)別代碼片段上的研究得到了廣泛關(guān)注. 然而，對(duì)于面向?qū)ο蟮恼Z言，如Java，類才是項(xiàng)目的基本組成單元. 為了解決這個(gè)問題，陳豪伶等人提出了一種名為HRCE（hierarchical representation and context enhancement）的類摘要生成方法，并構(gòu)建了一個(gè)包含358 992 個(gè)Java 類的類摘要數(shù)據(jù)集. HRCE 方法使用代碼精簡(jiǎn)策略來刪除類中的非關(guān)鍵代碼，從而減小代碼長(zhǎng)度. 然后，通過對(duì)類的層次結(jié)構(gòu)、屬性和方法進(jìn)行建模，獲得類的語義信息和層次結(jié)構(gòu)信息. 此外，還通過提取項(xiàng)目中父類的簽名和摘要來捕捉類與項(xiàng)目中其他類的關(guān)系上下文. 這種基于分層表示和上下文增強(qiáng)的方法可以更好地生成高質(zhì)量的類摘要.

軟件代碼測(cè)試中存在數(shù)據(jù)不平衡的問題，這會(huì)影響模型的預(yù)測(cè)精度，并且還未考慮用戶的隱私保護(hù). 為了解決這些問題，生成偽造數(shù)據(jù)成為一種重要的解決方法. 然而，在以結(jié)構(gòu)化數(shù)據(jù)為主的場(chǎng)景中，由于存在數(shù)據(jù)特征維度多且不相關(guān)等特點(diǎn)，生成高質(zhì)量的數(shù)據(jù)具有一定的挑戰(zhàn)性. 針對(duì)這一問題，楊斌等人以客戶流失預(yù)測(cè)為典型應(yīng)用場(chǎng)景，嘗試將擴(kuò)散模型應(yīng)用到預(yù)測(cè)任務(wù)中. 他們提出了一種基于高斯擴(kuò)散模型和多項(xiàng)式擴(kuò)散模型的數(shù)據(jù)生成方法，并對(duì)模型預(yù)測(cè)效果和數(shù)據(jù)隱私保護(hù)能力進(jìn)行了研究和分析. 通過將路徑探索過程均攤到多個(gè)工作線程中，并在線程間共享約束求解信息，以提高求解緩存的命中率，他們的方法實(shí)現(xiàn)了預(yù)測(cè)任務(wù)中的符號(hào)執(zhí)行效率的提升，為符號(hào)執(zhí)行技術(shù)的進(jìn)一步發(fā)展和應(yīng)用提供了一種有效的解決方案.

需求獲取和建模是需求工程中至關(guān)重要的步驟，對(duì)后續(xù)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)產(chǎn)生深遠(yuǎn)影響.然而，傳統(tǒng)的需求獲取和建模方法通常需要由多類干系人，如需求提供者和需求分析師等共同協(xié)作、反復(fù)迭代完成，耗費(fèi)大量人力. 因此，如何減輕需求提供者和需求分析師的負(fù)擔(dān)，提高獲取和建模的效率具有重要意義. 靳東明等人利用大語言模型（LLMs）的生成能力，提出了一種名為ChatModeler 的人機(jī)協(xié)作的迭代式需求獲取和建?？蚣? 具體而言，根據(jù)真實(shí)世界中需求團(tuán)隊(duì)的分工和協(xié)作關(guān)系，他們將部分需求提供者和需求分析師的工作由大語言模型承擔(dān)，從而顯著減輕了人們的負(fù)擔(dān)，并實(shí)現(xiàn)了需求獲取和建模的效率提升.

生成式AI 與軟件自動(dòng)化是一個(gè)引人注目的領(lǐng)域，它為軟件開發(fā)和自動(dòng)化帶來了新的機(jī)遇和挑戰(zhàn). 本專題的出版對(duì)于促進(jìn)生成式AI 與軟件自動(dòng)化領(lǐng)域的研究具有重要意義，希望能夠激發(fā)更多的創(chuàng)新思維和研究成果. 雖然本專題的篇幅有限，無法覆蓋該領(lǐng)域的所有最新研究工作，但我們相信它可以為研究人員提供幫助和啟發(fā).

在此，我們衷心感謝《計(jì)算機(jī)研究與發(fā)展》提供這個(gè)寶貴的機(jī)會(huì)，使得本專題論文得以順利出版. 同時(shí)，由衷感謝所有的作者、審稿專家和編輯部工作人員，他們的全力支持和辛勤付出為本專題的成功發(fā)表做出了重要貢獻(xiàn). 感謝他們對(duì)生成式AI 與軟件自動(dòng)化領(lǐng)域的貢獻(xiàn)和努力，希望這個(gè)專題能夠?yàn)樵擃I(lǐng)域的研究提供一個(gè)有益的平臺(tái)，進(jìn)一步推動(dòng)相關(guān)研究的發(fā)展.