Automated Code Review Using Large Language Models with Symbolic Reasoning

📄 arXiv: 2507.18476v1 📥 PDF

作者: Busra Icoz, Goksel Biricik

分类: cs.SE, cs.AI

发布日期: 2025-07-24

💡 一句话要点

提出结合符号推理的大语言模型代码评审方法，提升自动化代码评审的准确性和效率。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 自动化代码评审 大语言模型 符号推理 混合方法 代码质量 软件开发 代码理解 逻辑推理

📋 核心要点

  1. 现有自动化代码评审方法缺乏足够的逻辑推理能力，难以充分理解和评估代码。
  2. 该研究提出一种混合方法，结合符号推理技术与大语言模型，增强代码理解和评估能力。
  3. 实验结果表明，该方法能有效提高自动化代码评审的准确性和效率，具有实际应用价值。

📝 摘要（中文）

代码评审是软件开发生命周期中的关键环节，对维护代码质量至关重要。然而，人工代码评审具有主观性和耗时性。鉴于其基于规则的特性，代码评审非常适合自动化。近年来，人们已经做出了大量努力，借助人工智能来实现这一过程的自动化。大语言模型（LLMs）的最新发展也已成为该领域一个很有前途的工具，但这些模型通常缺乏充分理解和评估代码所需的逻辑推理能力。为了克服这一局限性，本研究提出了一种混合方法，将符号推理技术与LLMs相结合，以实现代码评审的自动化。我们使用CodexGlue数据集测试了我们的方法，比较了包括CodeT5、CodeBERT和GraphCodeBERT在内的几种模型，以评估将符号推理和提示技术与LLMs相结合的有效性。我们的结果表明，这种方法提高了自动化代码评审的准确性和效率。

🔬 方法详解

问题定义：论文旨在解决自动化代码评审中，现有大语言模型缺乏足够逻辑推理能力，导致代码理解和评估不准确的问题。现有方法难以有效识别代码中的潜在缺陷和不规范之处，影响代码质量。

核心思路：论文的核心思路是将符号推理技术与大语言模型相结合，利用符号推理的精确性和逻辑性来弥补大语言模型在推理方面的不足。通过这种混合方法，模型能够更深入地理解代码的语义和逻辑结构，从而更准确地进行代码评审。

技术框架：该方法的技术框架包含以下几个主要阶段：1) 代码解析：将待评审的代码进行解析，提取出代码的语法结构和语义信息。2) 符号推理：利用符号推理技术，对代码的逻辑结构进行分析和推理，例如检查变量的使用、函数调用关系等。3) 大语言模型集成：将符号推理的结果作为提示信息输入到大语言模型中，引导模型进行代码评审。4) 评审结果生成：大语言模型根据代码信息和符号推理结果，生成代码评审报告，指出代码中存在的问题和改进建议。

关键创新：该研究的关键创新在于将符号推理技术与大语言模型相结合，构建了一个混合的代码评审系统。这种混合方法充分利用了符号推理的精确性和大语言模型的泛化能力，从而提高了代码评审的准确性和效率。与纯粹依赖大语言模型的方法相比，该方法能够更好地理解代码的逻辑结构和语义信息。

关键设计：论文中使用的符号推理技术包括但不限于静态分析、程序切片等。大语言模型方面，实验对比了CodeT5、CodeBERT和GraphCodeBERT等模型。提示工程（Prompt Engineering）在引导大语言模型进行代码评审方面也起到了关键作用。具体的参数设置、损失函数和网络结构等技术细节在论文中可能有所描述，但摘要中未提及。

📊 实验亮点

实验结果表明，将符号推理与大语言模型相结合的方法，在CodexGlue数据集上，显著提高了自动化代码评审的准确性和效率。具体性能数据和提升幅度在摘要中未明确给出，但强调了该混合方法优于单独使用大语言模型。

🎯 应用场景

该研究成果可应用于软件开发过程的自动化代码评审环节，帮助开发人员快速发现和修复代码中的缺陷，提高代码质量和开发效率。此外，该方法还可用于代码安全审计、代码风格检查等领域，具有广泛的应用前景和实际价值。未来，该技术有望集成到各种IDE和代码管理平台中，实现智能化的代码评审。

📄 摘要（原文）

Code review is one of the key processes in the software development lifecycle and is essential to maintain code quality. However, manual code review is subjective and time consuming. Given its rule-based nature, code review is well suited for automation. In recent years, significant efforts have been made to automate this process with the help of artificial intelligence. Recent developments in Large Language Models (LLMs) have also emerged as a promising tool in this area, but these models often lack the logical reasoning capabilities needed to fully understand and evaluate code. To overcome this limitation, this study proposes a hybrid approach that integrates symbolic reasoning techniques with LLMs to automate the code review process. We tested our approach using the CodexGlue dataset, comparing several models, including CodeT5, CodeBERT, and GraphCodeBERT, to assess the effectiveness of combining symbolic reasoning and prompting techniques with LLMs. Our results show that this approach improves the accuracy and efficiency of automated code review.