使用 LLM 进行 Qiskit 代码迁移

量子开发套件 (QDK) 的快速发展引入了一种特定形式的技术债务，它会损害代码的可维护性并阻碍软件的重用。在量子软件工程 (QSE) 专业领域，由于高质量训练数据的稀缺和新兴框架的高波动性，这一挑战变得更加严重，这往往导致通用 大语言模型 (LLM) 产生不可靠或幻觉的结果。本文提出了一种将 LLM 与检索增强生成 (RAG) 集成的混合方法，以自动实现 Qiskit 代码跨版本的迁移。所提出的方法通过利用自动生成的迁移场景分类法作为结构化的、特定于版本的知识源来指导模型，从而提高了迁移建议的准确性和可靠性。该方法是通过一个自动化、可扩展的工作流程来实现的，该工作流程在不同的检索方案（无约束和限制）下评估 LLM（Google Gemini Flash-2.5 和 OpenAI Gpt-oss-20b）。结果表明，基于分类的 RAG 架构，特别是在限制性方案下，显着减少了幻觉并提高了描述质量，Google Gemini Flash-2.5 在检测复杂重构场景方面表现出了卓越的性能。这些发现证实了这种以数据为中心的方法在促进技术独立性和提供强大的智能助手方面的潜力，以缓解 API 过时的情况，确保量子算法在快速变化的生态系统中的长期可用性，并拉平量子软件工程 (QSE) 的学习曲线。