基于大语言模型的代码自动生成方法及系统与流程

本发明涉及强化学习，尤其涉及基于大语言模型的代码自动生成方法及系统。

背景技术：

1、强化学习是一种机器学习范式，智能体通过与环境交互执行动作并获得奖励或惩罚信号，据此调整策略以最大化累积奖励；现有技术首先由大语言模型根据需求生成初始代码，然后将代码在测试环境中执行，获取通过率或错误信息作为反馈奖励，接着使用该奖励信号对语言模型进行策略梯度更新，使模型向高奖励的生成方向调整参数，最后通过多轮的迭代，逐步提升代码的功能正确性。

2、现有技术无法感知时间与内存效率，未利用路径覆盖信息同时引导变异搜索，且在精英选择时忽略边界压力测试，导致生成代码执行效率低、隐蔽分支未覆盖、边界条件下稳定性差的技术问题；在实际中，优化后的代码部署至生产环境真实测序数据时，最优代码在边界场景下易崩溃，或产生错误输出，交付后稳定性不足，在遭遇空比对文件或含二进制损坏记录的特殊情况下，导致除零崩溃或死循环内存耗尽，中断分析管道并波及同节点其他任务。

技术实现思路

1、针对现有技术的不足，本发明提供了基于大语言模型的代码自动生成方法及系统，解决了现有技术无法感知时间，未利用路径覆盖信息同时引导变异搜索，且在精英选择时忽略边界压力测试，导致生成代码执行效率低、隐蔽分支未覆盖、边界条件下稳定性差的技术问题。

2、为解决上述技术问题，本发明提供了如下技术方案：

3、基于大语言模型的代码自动生成方法，该方法的步骤为：采集目标模型的原始用户需求描述，根据原始用户需求描述通过清洗意图处理，生成结构化意图关系图；

4、基于结构化意图关系图进行相似度解码处理，得到初始代码候选集；

5、对初始代码候选集进行沙箱双重提取，得到奖励向量集和路径覆盖因子集，根据奖励向量集和路径覆盖因子集通过优化变异集成处理，得到第一代码版本；

6、其中，根据奖励向量集和路径覆盖因子集通过优化变异集成处理，包括：根据可执行代码实例列表、奖励向量集和路径覆盖因子集通过优化变异处理，生成变异代码种群；

7、基于变异代码种群、奖励向量集和路径覆盖因子集进行反馈精英处理，生成精英代码集；

8、对精英代码集进行自适应集成处理，得到第一代码版本；

9、根据第一代码版本通过逆向联合校验处理，生成一致性判别报告，基于一致性判别报告和第一代码版本进行脆弱多补丁处理，生成鲁棒性验证代码；

10、基于鲁棒性验证代码进行层次化推理处理，生成偏好评分集，对偏好评分集进行策略微调校准处理，得到最终交付代码。

11、优选的，根据原始用户需求描述通过清洗意图处理，包括：根据原始用户需求描述通过清洗消解处理，生成清洗后需求文本；

12、基于清洗后需求文本进行语义填充处理，得到意图槽位集合；

13、对意图槽位集合进行结构化意图处理，生成结构化意图关系图。

14、优选的，基于结构化意图关系图进行相似度解码处理，包括：根据结构化意图关系图通过相似度检索处理，得到代码骨架模板；

15、基于结构化意图关系图和代码骨架模板进行空洞填充处理，得到填充后代码片段；

16、对填充后代码片段进行多样性束解码处理，得到初始代码候选集。

17、优选的，对初始代码候选集进行沙箱双重提取，包括：根据初始代码候选集通过语法沙箱处理，生成可执行代码实例列表；

18、基于可执行代码实例列表进行轨迹采样，生成执行轨迹集合；

19、对执行轨迹集合进行多维奖励和覆盖因子的双重提取，得到奖励向量集和路径覆盖因子集。

20、优选的，根据第一代码版本通过逆向联合校验处理，包括：根据第一代码版本通过逆向生成处理，得到逆向意图描述；

21、基于逆向意图描述进行文本对抗变异处理，生成对抗测试用例集；

22、对第一代码版本和对抗测试用例集进行联合校验处理，生成一致性判别报告。

23、优选的，基于一致性判别报告和第一代码版本进行脆弱多补丁处理，包括：根据一致性判别报告和第一代码版本通过脆弱补丁处理，生成修复补丁候选集；

24、基于修复补丁候选集和对抗测试用例集进行补丁鲁棒性处理，得到验证后补丁性能记录；

25、对验证后补丁性能记录和修复补丁候选集进行多补丁加权处理，生成鲁棒性验证代码。

26、优选的，基于鲁棒性验证代码进行层次化推理处理，包括：根据鲁棒性验证代码通过层次化编码处理，得到风格特征向量；

27、基于风格特征向量和鲁棒性验证代码进行可控迁移处理，生成风格化代码变体集；

28、对风格化代码变体集进行奖励推理处理，生成偏好评分集。

29、优选的，对偏好评分集进行策略微调校准处理，包括：根据风格化代码变体集和偏好评分集通过策略微调处理，生成风格优化代码；

30、基于风格优化代码进行聚焦注释处理，得到带注释代码；

31、对带注释代码进行审查校准处理，得到最终交付代码。

32、优选的，原始用户需求描述包含待处理的数据文件路径与格式说明、需执行的操作步骤描述、期望的输出结果类型和施加的约束条件，最终交付代码是指源代码交付单元，最终交付代码包括源代码文本、辅助代码的简洁概述、接口说明，以及完整语义可追溯标注。

33、该技术方案还提供了基于大语言模型的代码自动生成系统，该系统包括：结构化意图模块，采集目标模型的原始用户需求描述，根据原始用户需求描述通过清洗意图处理，生成结构化意图关系图；

34、初始代码模块，基于结构化意图关系图进行相似度解码处理，得到初始代码候选集；

35、代码版本模块，对初始代码候选集进行沙箱双重提取，得到奖励向量集和路径覆盖因子集，根据奖励向量集和路径覆盖因子集通过优化变异集成处理，得到第一代码版本；

36、验证代码模块，根据第一代码版本通过逆向联合校验处理，生成一致性判别报告，基于一致性判别报告和第一代码版本进行脆弱多补丁处理，生成鲁棒性验证代码；

37、交付代码模块，基于鲁棒性验证代码进行层次化推理处理，生成偏好评分集，对偏好评分集进行策略微调校准处理，得到最终交付代码。

38、借由上述技术方案，本发明提供了基于大语言模型的代码自动生成方法及系统，至少具备以下有益效果：

39、1、本发明构建了一个从结构化语义图到多候选代码的精准转化体系，一方面，通过跨模态嵌入相似度检索，将意图关系图的拓扑依赖与骨架模板描述映射至统一语义空间进行匹配，精准捕获完整流程所需的全部功能模块，避免了因单一关键词匹配造成的后处理步骤遗漏；另一方面，依托意图约束的空洞填补算法，在全局上下文校验下完成标识符替换与数据流衔接，保证填充后代码片段的类型一致性与逻辑完整性，为强化学习提供了类型安全、结构多样的初始种群，降低了无效探索比例，加速了优化收敛。

40、2、本发明通过引入路径覆盖向量的双重利用机制与边界压力二次反馈，攻克了静态生成代码缺乏运行时动态反馈、无法自动探索隐蔽执行路径的技术瓶颈，能够将功能正确性、时间效率、内存效率及路径覆盖率统一转化为可优化的数值信号；同时，其设计的路径覆盖增强状态使策略网络在变异过程中可直接感知当前未覆盖分支，使变异动作主动偏好于探索低覆盖路径，而非盲目扰动已充分优化的主流程，不仅能够同步提升功能完备性与代码多样性，还能在精英选择时通过边界压力二次反馈，自动筛选出在极端输入条件下仍保持稳定的个体，经自适应集成合成，最终代码在性能与鲁棒性上均实现协同最优。

41、3、本发明构建了一个从脆弱探测到无冲突修复的闭环鲁棒性增强体系，一方面，通过代码意图逆向提取与梯度引导的语义对抗变异，主动生成语义保持的边界压力用例，配合执行一致性双模判别精准区分真实错误与语义等效差异，实现对脆弱点的精确标定；另一方面，基于踪迹溯源的约束补丁生成以逆向意图为约束，在保持原有功能语义的前提下精准修复具体脆弱语句，再以软投票加权融合多补丁形成全面加固，该体系的修复过程避免了全量重生成对已优化执行效率与路径覆盖率的破坏，确保了鲁棒性增强不以牺牲性能为代价，同时提供了功能稳定、边界安全的代码基底。

42、4、本发明引入层次化风格编码与基于人类反馈的强化学习优化，能够将抽象的风格属性量化为可计算特征向量并定向生成多风格变体；同时，其设计的关键逻辑聚焦注释生成算法，可依据圈复杂度与数据依赖深度自动识别核心函数，将注释资源集中于高复杂度焦点行，生成包含功能目的、变量含义及算法步骤的详细注释，而辅助代码仅保留简洁概述，这种聚焦式可解释性增强不仅避免了全篇均匀注释造成的冗余信息淹没，风格迁移与注释生成全过程通过语法与语义不变性校验，确保美化操作不破坏已建立的边界安全防线，最终输出即用性强、长期可维护的交付代码。