🎉 背景 随着自动化技术的不断发展，代码审查在确保软件质量和可靠性方面发挥着重要作用。然而，当前的自动化审查方法主要依赖于单一的输入输出生成模型，这些模型难以捕捉到真实代码审查中交互性和协作性的特点。

本文提出了一个新颖的多代理大语言模型系统——CodeAgent，旨在通过模拟协作团队的方式，提升代码审查的自动化水平。

✨ 方法 为了验证CodeAgent在自动化代码审查中的有效性，作者团队设计了以下方法：

        ① 多代理系统设计：CodeAgent包括多个扮演不同角色的代理，如代码提交者、审查者、决策者（例如CEO、CTO）和监督代理（QA-Checker）。这些代理通过协作完成代码审查过程中的各项任务。

        ② 代码审查任务：CodeAgent在四个主要任务上进行测试：检测代码更改与提交信息之间的一致性、发现漏洞引入、验证代码风格一致性和提供代码修改建议。

        ③ QA-Checker的作用：引入一个名为QA-Checker的监督代理，确保整个审查过程中的对话保持聚焦，避免话题偏离。

🏆 实验 作者团队对CodeAgent进行了广泛的实验评估，并与现有的自动化代码审查工具（如GPT-4、CodeBERT等）进行了对比。实验结果包括：

        ① 漏洞检测：CodeAgent在漏洞检测任务中，显著优于GPT-4和CodeBERT，检测到的漏洞命中率高达92.96%。

        ② 一致性与格式检测：在提交信息与代码更改一致性检测以及格式一致性任务中，CodeAgent也表现优异，超过了其他现有工具，尤其在格式一致性检测中，CodeAgent的召回率为89.34%。

        ③ 代码修改建议：在代码修改任务上，CodeAgent通过提高代码编辑进展表现出明显的优势，平均提高了约30%的编辑进展，优于现有的最先进模型。

💡 链接直达 ACL anthology: 2024.emnlp-main.632.pdf Github: Daniel2Coding/codeagent #emnlp2024 #大模型