伊尔迪兹技术大学(Yildiz Technical University)与 Intellica 合作的 ICSE 2026 论文《自然语言摘要助力微服务多仓库 Bug 定位》,把微服务多仓库 Bug 定位重构为自然语言推理任务,在 46 个仓库、110 万行代码的企业系统上取得 Pass@10 = 0.82。
论文题为 Natural Language Summarization Enables Multi-Repository Bug Localization by LLMs in Microservice Architectures,已被 ICSE 2026 LLM4Code Workshop 接收。在真实企业级系统 DNext 上,方法达到 MRR = 0.50,显著超越检索基线和 GitHub Copilot、Cursor 等智能体检索增强生成(RAG)系统。
语义鸿沟与问题重构
微服务架构把代码分散在几十个仓库里,调试困难的根源有三个:自然语言 Bug 报告与代码之间存在语义鸿沟;大语言模型(LLM)上下文窗口有限,不可能把所有仓库源码都塞进去;定位前还得先找对仓库。传统做法是跨模态检索——用文本去匹配代码向量。这篇论文的思路相反:不做跨模态检索,而是把问题转换成自然语言对自然语言(NL-to-NL)的搜索——先把代码库整体转成自然语言摘要,让 Bug 报告直接和摘要匹配,从根上绕开语义鸿沟。
分层摘要与两阶段搜索
方法分两步构建。分层摘要在文件、目录、仓库三个层级生成上下文感知的自然语言摘要:文件摘要描述具体实现,目录摘要聚合模块职责,仓库摘要刻画整个服务的功能边界。两阶段搜索先做路由——把 Bug 报告匹配到相关仓库;再做定位——在命中仓库内部沿着仓库到目录再到文件的路径自上而下精细定位。这条搜索路径全程可解释,每一步都能给出人类可读的理由,论文认为这种透明度正是企业级 AI 工具建立信任的关键。由于摘要本身也是自然语言,路由与定位两步共用同一套语义匹配机制,不需要为代码单独训练嵌入模型,也省去了跨模态对齐的工程成本。相比把所有源码一股脑塞进上下文的做法,摘要化还大幅降低了 token 成本,使方法能在数十个仓库的规模上稳定运行。
企业级验证结果
在 DNEXT Technology 的真实企业项目(DNext,46 个仓库、110 万行代码)上,该方法达到 Pass@10 = 0.82、MRR = 0.50:前者意味着约八成的 Bug 在前十个候选位置内就能找到缺陷代码,后者反映正确结果在返回列表中的平均排名靠前。论文将其与向量检索基线和 GitHub Copilot、Cursor 这类智能体检索增强生成(RAG)系统对比,均显著优势。结果说明:工程化的自然语言表示可以比原始源码更适合规模化 Bug 定位。对开发者的启示是,微服务调试不必依赖盲目猜测——先把代码库摘要化,再按仓库、文件分层定位,比一次性喂给模型全部代码更快也更准。该工作已被 ICSE 2026 LLM4Code Workshop 接收,作者来自伊尔迪兹技术大学与 Intellica 团队,其价值在于用真实工业系统而非学术玩具项目验证了方法可行性。同类话题可参阅站内《多代理集成推理攻克仓库级问题》。对工程师来说,这意味着引入 AI 调试工具的起点可以很朴素:先让模型把每个仓库读成一段人能看懂的摘要,检索、定位与审计都会随之变简单,而不必一步到位搭建复杂的代码索引基础设施。