FGDM：使用思想链和思想树提示进行软件错误检测的推理感知多代理框架

深度学习方法在自动化软件错误检测中变得越来越重要；然而，他们缺乏对给定代码的全局理解。因此，它们的性能往往会下降，特别是当它们应用于大型互连代码库或复杂的模块化程序时。最近，大语言模型 (LLM) 已被证明可以有效捕获代码库中多个互连模块之间的依赖关系。这促使我们提出了流图驱动的多代理框架（FGDM），它由四个按顺序运行的代理组成。该框架将接收到的代码转换为流程图，识别错误段，并进一步生成修复后的代码。所有使用的代理都使用思想链（COT）和思想树（TOT）提​​示。此外，我们还与 FAISS 矢量数据库集成，以检索以前的类似错误及其修复。我们通过来自多个项目的 100 多个程序（包括 Ansible、Black、FastAPI、Keras、Luigi、Matplotlib、Pandas、Scrapy、SpaCy 和 Tornado）在 C 和 Python 程序中展示了所提出的框架的功效。我们的实验表明，FGDM 优于现有方法，并且 Python 和 C 的 Levenshtein 距离平均值分别降低了 24.33 和 8.37，余弦相似度分别降低了 0.951 和 0.974。