DocSync：通过评论家引导反思进行代理文档维护

随着代码库的发展，软件文档经常偏离可执行逻辑，从而产生技术债务，降低可维护性并导致下游 API 误用。虽然静态分析工具可以检测文档的缺失，但它们无法评估其语义一致性。相反，标准 大语言模型 (LLM) 提供了生成灵活性，但在更新文档时经常产生幻觉，而没有对底层代码的深入结构了解。为了解决这一差距，我们提出了 DocSync，这是一种代理工作流程，它将文档维护构建为结构性的迭代生成任务。 DocSync 通过融合抽象语法树 (AST) 表示和检索增强生成 (RAG) 来桥接语法更改和自然语言描述，以提供依赖性感知上下文。此外，为了确保事实一致性，我们结合了基于反射范式的评论家引导的细化循环，允许模型根据源代码自我纠正候选更新。我们根据代理代码到文本维护任务，使用 LoRA 适应的小语言模型，对资源受限的 DocSync 实现进行了经验评估。我们的研究结果表明，这种 AST 感知代理方法在语义对齐、摘要行 忠实性 和自动判断偏好方面显着优于标准编码器-解码器基线（例如，自动判断得分为 3.44/5.0，而 CodeT5 基础的自动判断得分为 1.91）。至关重要的是，迭代批评循环在语义正确性方面产生了可测量的改进，而不需要扩大参数计数。这些结果提供了强有力的证据，表明将结构检索与代理细化相结合是自动减轻文档债务的一个非常有前途的方向。