DeepK 自动程序修复框架论文——OceanBase 校企联合研究

摘要：
浙大与 OceanBase 联合提出 DeepK 调试引擎，为 LLM-based 自动程序修复提供了一种全新的思路。通过将隐含在大规模 bug-fix 数据中的调试经验显式化、结构化并系统复用，有效弥补了现有方法过度依赖隐式推理的不足，引导大语言模型从“隐式猜修复”转向“基于经验的知识驱动调试”，显著提升了自动程序修复的准确性与稳定性。
 
日前，由浙江大学与 OceanBase 团队联合撰写的论文：《Debugging Engine Enhanced by Prior Knowledge: Can We Teach LLM How to Debug?》被软件工程领域顶级会议 The ACM International Conference on the Foundations of Software Engineering (FSE) 2026 录用。
 
FSE 是软件工程领域最具影响力的国际顶级会议之一，是中国计算机学会 CCF 推荐的 A 类国际会议。本论文通过系统化提取和复用结构化调试知识，引导大语言模型从“隐式猜修复”转向“基于经验的知识驱动调试”，显著提升了自动程序修复的准确性与稳定性。
 
简介
 
随着大语言模型在代码理解与生成领域能力的不断增强，自动程序修复（Automated Program Repair，APR）逐渐成为软件工程研究的重要方向。
 
近年来，大量工作尝试通过提示工程、多智能体协作、示例检索或执行反馈等方式提升修复效果，并在多个基准数据集上取得了可观进展。然而，这些方法大多仍然依赖模型的隐式推理能力：模型需要从原始示例、上下文或运行结果中自行推断调试思路，而调试过程中真正稳定、可复用的知识却并未被显式建模和系统利用。
 
论文 DeepK（Debugging Engine Enhanced by Prior Knowledge）正是针对这一核心缺陷提出了解决方案。
 
作者指出，大规模 bug-fix 数据集中蕴含着丰富的调试经验，但现有方法通常只将其作为上下文示例或推理演示使用，而没有将其中的调试逻辑提炼为结构化知识。
 
DeepK 通过系统性地提取、验证并复用调试知识，为大语言模型提供明确的调试指导，使程序修复从“依赖模型临场发挥”转向“基于经验的知识驱动推理”。
 
核心理念：让调试从隐式推断走向显式知识引导
 
传统的 LLM-based APR 方法在设计上存在一个根本矛盾：一方面希望模型具备类似人类的调试能力，另一方面却很少向模型明确提供“人类是如何调试的”。模型虽然可以在大量示例中隐式学习模式，但这种方式缺乏稳定性、可解释性，也难以在分布外场景中保持鲁棒。
DeepK 的核心理念在于，将调试视为一种可总结、可验证、可复用的知识过程。它不再把修复行为简单等同于补丁生成，而是将调试拆解为两个紧密协同的部分：对错误根因的理解，以及围绕该根因展开的修复策略。通过显式建模这两类调试知识，DeepK 试图为大语言模型提供类似“资深程序员经验”的指导，使其在面对新 bug 时能够遵循已有的成功调试路径进行推理，而非从零开始试探。
 

图 1. DeepK 的 4 阶段架构
 
核心技术一：基于 AST 的编辑描述生成与调试语义对齐
 
在从历史 bug-fix 数据中提取调试知识时，一个关键挑战在于如何避免被低层次的代码差异所干扰。直接对比 buggy 与 fixed 代码往往会产生大量琐碎、语义不明确的修改信息，难以反映真实的调试逻辑。
 
为此，DeepK 引入了一种基于抽象语法树的编辑描述生成机制，将代码层面的差异转化为人类可读、具有步骤感的自然语言编辑描述。
 
该机制通过分析两版代码的 AST 结构，定位真正与错误修复相关的修改位置，并过滤掉不合理或无关的编辑操作，从而生成更符合人类调试习惯的修改描述。这一过程有效弥合了“代码补丁”与“调试思维”之间的鸿沟，为后续调试知识的抽取提供了清晰、语义化的输入。

 
图 2. 代码编辑描述生成工具
 
核心技术二：结构化调试知识的抽取、验证与知识库构建
 
在获得编辑描述后，DeepK 进一步引导大语言模型围绕“如何定位并修复该 bug”生成结构化调试知识。模型需要明确指出错误的根因，并给出一步步的调试与修复策略。与以往方法不同的是，DeepK 并不直接接受模型生成的结果，而是引入了验证机制：模型必须仅基于自己生成的调试知识重新修复程序，并通过测试用例验证其正确性。只有能够稳定指导修复成功的知识，才会被纳入最终的调试知识库。
 
在知识组织层面，DeepK 采用多视角索引策略，从任务描述、程序结构以及执行轨迹等多个维度刻画每一条调试知识，使其能够在面对不同类型的新 bug 时被准确检索。这种多维度设计避免了单一相似度度量带来的偏差，使知识检索既具备语义相关性，又保留结构与运行层面的信息。
 

图 3. 结构化调试知识抽取
 
核心技术三：先验调试知识增强的程序修复流程
 
在实际修复新 bug 时，DeepK 并不替代现有 APR 系统，而是以“调试知识增强模块”的形式融入其中。当系统接收到新的 buggy 代码后，会从知识库中检索出最相关的调试知识，并将其注入模型的推理阶段，引导模型围绕已验证的调试思路展开修复。
 
这种设计使 DeepK 能够自然地与不同类型的 APR 系统集成，无论是基于提示与检索的非智能体方法，还是基于脚本化流程的修复框架，都可以从中受益。
 
通过这种方式，程序修复过程不再依赖单次推理的偶然成功，而是建立在大量历史调试经验的积累之上，使模型的行为更加稳定、可解释。
 
性能成果
 
在 ACPR 与 AtCoder 等多个基准数据集上的实验结果表明，DeepK 在不同模型后端（GPT-4o与 DeepSeek-v3）下均能显著提升现有方法的修复准确率。在分布内场景中，DeepK 相较最强基线方法取得了稳定的绝对提升；在更具挑战性的分布外竞赛编程任务中，其相对提升尤为显著，显示出结构化调试知识在应对分布偏移时的独特价值。
 

图 4. DeepK 与其他基准方法的对比
 
进一步的消融实验验证了各个设计组件的重要性。结果显示，对调试策略的显式建模对性能提升贡献最大，多维度检索机制显著增强了系统的鲁棒性，而基于 AST 的编辑描述在复杂程序修复中发挥了关键作用。同时，实验还揭示了调试知识数量与性能之间的权衡关系，表明适量、精准的知识注入比简单堆叠上下文更加有效。

 
图 5.知识库索引构建的消融实验

 
图 6. 结构化调试知识的消融实验
 

图 7. 代码编辑描述工具的消融实验

 
 
图 8. 调试知识数量与调试性能的关系
 
结语
 
DeepK 的工作为 LLM-based 自动程序修复提供了一种全新的思路。通过将隐含在大规模 bug-fix 数据中的调试经验显式化、结构化并系统复用，该框架有效弥补了现有方法过度依赖隐式推理的不足。
 
在实践中，DeepK 在多种数据分布与模型设置下均展现出稳定的性能提升，并显著增强了修复过程的可解释性与鲁棒性。
 
这项研究表明，相比不断扩展模型规模或复杂化推理流程，让模型掌握可复用的调试知识可能是一条更加稳健、可持续的路径，也为未来构建更可靠的软件智能系统奠定了坚实基础。
 
欢迎访问 OceanBase 官网获取更多信息：https://www.oceanbase.com/

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！