软件所在智能化软件可信构造与质量保障方面取得系列进展

近日，中国科学院软件研究所集成创新中心智能化软件开发与质量保障团队取得系列工作进展。相关研究成果涉及大规模开源生态治理、代码自动化审查、高安全领域代码生成理解等方向，5篇成果论文分别被软件工程领域国际会议ASE 2026、FSE 2026和ISSTA 2026录用。

在大规模软件生态治理方面，针对现有开源生态组织机制（如GitHub Topics）存在的扁平化、非规范化及覆盖率不足等问题，研究团队提出了基于多智能体协作的自主演化治理框架ATLAS。该框架通过设计智能体提取分类维度，并结合分类智能体在实际数据分布上的反馈，构建“设计-分类-修正”闭环，实现了开源仓库的自动化、多层级语义分类。

实验结果表明，ATLAS 在 GitHub 5.4 万个真实仓库上自动构建了高质量层级分类体系（TQF 83.13%，超最优基线15个百分点），支撑的软件替代品发现任务 P@1 达 85.71%、超越人工维护列表，并揭示了生态向AI/ML应用转型的趋势。相关论文ATLAS: Agentic Taxonomy of LArge-Scale Software Ecosystems被ASE 2026录用。

ATLAS流程图

论文链接：https://arxiv.org/abs/2606.21597

工具链接：https://atlas-taxonomy.netlify.app/

作者：陆俊逸、吕梦遥、武家辉、于磊、刘承威、张凤军、杨立、左春、刘杨

在自动化代码审查方面，研究团队针对现有自动化代码审查任务建模割裂、模型逻辑推理能力不足且审查过程缺乏解释性等问题，提出了端到端推理引导的对齐方法E4R-Reviewer。该方法将质量估计、缺陷定位、缺陷分类、缺陷描述、修复建议及代码优化等六项任务统一为单一推理链条，利用群组相对策略优化方法将推理步骤转化为可优化的中间目标。

实验结果显示，该方法在质量估计任务中达到74.61%的F1值，显著增强了审查过程的透明度与可解释性。论文E4R-Reviewer: Effective and Explainable Automated Code Review via End-to-End Reasoning-Guided Alignment被ISSTA 2026录用。

E4R-Reviewer流程图

论文链接：https://yangli8953.github.io/E4R-Reviewer-Camera.pdf

作者：刘一飞、候熙致、杨立、刘桓、朱辰、张凤军、左春

针对大语言模型在Bash脚本生成过程中缺乏透明推理且生成代码鲁棒性不足的问题，研究团队提出了可鲁棒性感知的大模型生成框架BashCoder-R1。该框架引入了长思维链（L-CoT）监督微调，并创新性地提出了鲁棒性感知组相对策略优化（R-GRPO），通过将语法正确性、静态分析规则和格式规范转化为强化学习奖惩信号，强制模型在生成代码前执行显式推理。

在包含952项任务的BashBench基准测试中，BashCoder-R1在多行脚本任务上的FullRate达73.18%，较DeepSeek-V3.2提升显著。相关论文BashCoder-R1: Towards Robust and Explainable Bash Code Generation with Robustness-Aware Group Relative Policy Optimization被ISSTA 2026录用。

BashCoder-R1流程图

论文链接：http://arxiv.org/abs/2606.27733

作者：于磊、王鹏、徐嘉、张竞元、王鑫、马佳佳、杨立、邓昌智、王增华、张凤军

针对大语言模型对Bash脚本中复杂命令语义细节的逻辑推理能力不足、导致生成注释准确性难以保证的问题，研究团队提出了语法感知偏好优化方法Bash-Commenter。该方法通过对脚本抽象语法树应用原子操作自动构造“最小语法对”，并以此作为偏好学习信号注入模型权重，使模型掌握细粒度的命令语义理解能力。

实验评估表明，相较于主流方法，Bash-Commenter在单行及多行脚本生成的各项指标上均达到最佳性能。相关论文Bash-Commenter: Leveraging Syntax-Aware Preference Optimization to Reinforce Large Language Model for Bash Code Comment Generation被FSE 2026录用。

Bash-Commenter流程图

论文链接：https://dl.acm.org/doi/10.1145/3808102

作者：于磊、张竞元、王鑫、杨立、张凤军、王鹏、徐嘉、马佳佳

在高安全智能合约生成方面，针对大语言模型对智能合约隐式安全规则逻辑推理能力不足、导致生成代码鲁棒性较弱的挑战，研究团队提出了高安全防御性生成架构SmartCoder-R1。该架构利用安全感知的组相对策略优化，将12类关键安全规则转化为强化学习硬约束，实现“逻辑-代码”端到端对齐。

在涉及289个已部署合约的测试中，SmartCoder-R1将安全性指标FullRate提升至50.53%，较DeepSeek-R1相对提升了45.79%。相关论文SmartCoder-R1: Towards Secure and Explainable Smart Contract Generation with Security-Aware Group Relative Policy Optimization被FSE 2026录用。

实验结果对比表

论文链接：https://dl.acm.org/doi/10.1145/3808104

作者：于磊、张竞元、王鑫、马佳佳、杨立、张凤军

以上研究成果为智能化软件开发与质量保障提供了新的技术路径与理论支撑，相关方法在开源生态治理、代码审查自动化及高安全领域代码生成等场景中展现出良好的应用前景。