R2Code：用于需求到代码可追溯性的自我反思 LLM 框架

准确的需求到代码的可追溯性对于软件维护至关重要。然而，现有的基于 IR 和嵌入的方法严重依赖于词汇相似性，通常会在项目和语言之间产生不完整或不一致的链接，并且长上下文检索和提示会产生高昂的成本。本文提出了 R2Code，这是一种基于 LLM 的语义可追溯框架，旨在提高跟踪链接准确性，同时降低推理成本。 R2Code集成了三个组件：1）分解增强型双向对齐网络（BAN），将四层需求语义与相应的代码结构对齐，支持跨层语义匹配； 2）自反射一致性验证（SRCV）模块，进行解释引导的一致性检查来校准链路可靠性； 3）动态上下文自适应检索（DCAR）机制，可调整检索粒度并使用语义重叠权重过滤上下文，以实现高效的上下文利用。对跨越多个领域和两种编程语言的五个公共数据集进行的实验表明，R2Code 始终优于最强的基线，实现了 7.4% 的平均 F1 增益，同时通过自适应上下文控制将词元消耗减少了高达 41.7%。