WALL: A Web Application for Automated Quality Assurance using Large Language Models

📄 arXiv: 2509.09918v1 📥 PDF

作者: Seyed Moein Abtahi, Akramul Azim

分类: cs.SE, cs.AI

发布日期: 2025-09-12

💡 一句话要点

WALL：利用大型语言模型实现自动化代码质量保证的Web应用

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

关键词: 代码质量保证 大型语言模型 自动化代码修改 静态代码分析 软件工程

📋 核心要点

  1. 现有代码质量保证工具在处理日益复杂的软件项目时，面临问题检测效率和修改质量的挑战。
  2. WALL通过集成SonarQube和大型语言模型，自动化代码问题检测、修改和评估流程，提升效率。
  3. 实验表明，WALL能有效减少人工干预，同时保持高质量的代码修改，并降低成本。

📝 摘要（中文）

随着软件项目日益复杂，代码文件中的问题数量和种类也显著增加。为了应对这一挑战，需要高效的问题检测、解决和评估工具。本文介绍了一个名为WALL的Web应用程序，它集成了SonarQube和大型语言模型（LLMs），如GPT-3.5 Turbo和GPT-4o，以自动化这些任务。WALL包含三个模块：问题提取工具、代码问题修改器和代码比较工具。它们共同构成了一个无缝的流程，用于检测软件问题、生成自动代码修改建议以及评估修改的准确性。在包含超过7599个问题的563个文件上进行的实验表明，WALL在减少人工工作量的同时保持了高质量的修改。结果表明，采用经济高效和先进的LLM混合方法可以显著降低成本并提高修改率。未来的工作旨在通过集成开源LLM和消除人为干预来增强WALL的功能，从而为完全自动化的代码质量管理铺平道路。

🔬 方法详解

问题定义：当前软件项目日益复杂，代码质量保证面临挑战，包括问题数量庞大、种类繁多，以及人工检测和修复效率低下。现有方法难以兼顾效率和质量，需要更智能的自动化工具辅助开发人员。

核心思路：WALL的核心思路是利用大型语言模型（LLMs）的强大代码理解和生成能力，自动化代码质量保证流程。通过集成SonarQube进行初步问题检测，然后利用LLMs生成代码修改建议，最后进行代码比较和评估，形成闭环。

技术框架：WALL包含三个主要模块：1) 问题提取工具：利用SonarQube等静态代码分析工具提取代码中的问题；2) 代码问题修改器：使用LLMs（如GPT-3.5 Turbo和GPT-4o）根据问题描述生成代码修改建议；3) 代码比较工具：比较原始代码和修改后的代码，评估修改的准确性和有效性。整个流程通过Web应用界面进行交互。

关键创新：WALL的关键创新在于将静态代码分析工具和大型语言模型相结合，实现代码质量保证的自动化。与传统方法相比，WALL能够更智能地理解代码问题，并生成更准确、更有效的修改建议，从而显著减少人工干预。此外，WALL还探索了不同LLM的组合使用，以优化成本和性能。

关键设计：WALL的关键设计包括：1) LLM的选择和配置：根据不同的代码问题类型和复杂程度，选择合适的LLM（如GPT-3.5 Turbo或GPT-4o），并进行适当的prompt工程，以提高修改建议的质量；2) 代码比较和评估指标：设计合适的指标来评估修改后的代码质量，例如代码覆盖率、缺陷密度等；3) Web应用界面设计：提供友好的用户界面，方便开发人员进行问题查看、修改建议采纳和代码比较。

🖼️ 关键图片

fig_0

📊 实验亮点

实验结果表明，WALL在包含超过7599个问题的563个文件上，能够有效减少人工工作量，同时保持高质量的代码修改。通过采用经济高效和先进的LLM混合方法，可以显著降低成本并提高修改率。具体性能数据（如修改成功率、缺陷减少率等）未在摘要中明确给出，属于未知信息。

🎯 应用场景

WALL可应用于各种软件开发场景，尤其适用于大型复杂项目的代码质量保证。它可以帮助开发团队提高代码质量、减少缺陷、缩短开发周期，并降低维护成本。未来，随着开源LLM的不断发展，WALL有望实现完全自动化的代码质量管理，进一步提升软件开发的效率和质量。

📄 摘要（原文）

As software projects become increasingly complex, the volume and variety of issues in code files have grown substantially. Addressing this challenge requires efficient issue detection, resolution, and evaluation tools. This paper presents WALL, a web application that integrates SonarQube and large language models (LLMs) such as GPT-3.5 Turbo and GPT-4o to automate these tasks. WALL comprises three modules: an issue extraction tool, code issues reviser, and code comparison tool. Together, they enable a seamless pipeline for detecting software issues, generating automated code revisions, and evaluating the accuracy of revisions. Our experiments, conducted on 563 files with over 7,599 issues, demonstrate WALL's effectiveness in reducing human effort while maintaining high-quality revisions. Results show that employing a hybrid approach of cost-effective and advanced LLMs can significantly lower costs and improve revision rates. Future work aims to enhance WALL's capabilities by integrating open-source LLMs and eliminating human intervention, paving the way for fully automated code quality management.