Using Large Language Models to Understand Telecom Standards
Ericsson AB(爱立信公司)
针对3GPP电信标准信息获取难的问题,研究评估了LLM作为3GPP文档问答助手的能力,提出了评估基准、通用优化方案,还推出了性能比肩基础LLM但参数量少一个量级的TeleRoBERTa模型,验证了其在电信领域的应用潜力。
2024-04-12 cs.AI cs.CL
Accelerating Generative Neural Networks on Unmodified Deep Learning Processors -- A Software Approach
Hefei University of Technology(合肥工业大学);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);National University of Singapore(新加坡国立大学)
生成式神经网络是一类新的神经网络,在内容生成、无监督学习、图像分割和姿态估计等方面有着广泛的应用。它通常涉及大量的计算密集型反卷积操作,这些操作不能直接适用于传统的神经网络处理器。然而,先前的工作主要通过对现有深度学习处理器进行密集的硬件修改来研究专用硬件架构,以加速去卷积和卷积。相比之下,这项工作提出了一种新的反卷积实现与软件方法,并使快速和有效的反卷积执行的传统深度学习处理器。我们提出的方法重新组织了反卷积的计算,并允许深度学习处理器通过将原始反卷积滤波器拆分为多个小滤波器来将其视为标准卷积。与现有的加速方案相比,实现的加速方案实现了2.41 - 4.34倍的性能加速,并降低了27.7% - 54.5%的能源消耗在一组现实的基准测试。此外,我们还将反卷积计算方法应用于现成的商品深度学习处理器。反卷积的性能还表现出比现有反卷积实现方式显著的性能加速。
2020-04-29 cs.CV cs.DS cs.LG
Telecom AI Native Systems in the Age of Generative AI -- An Engineering Perspective
Ericsson(爱立信);Blekinge Institute of Technology(布莱金厄理工学院)
本文从工程视角探讨了基础模型在电信行业的整合,阐述了AI原生电信概念,并分析了在软件生命周期中实施FMs的工程考量、独特挑战及伦理监管问题。
2023-10-18 cs.AI cs.SE
TeleSWEBench: A Commit-Driven Benchmark for Evaluating LLM-Powered Software Engineering in Telecommunications
NCSU(北卡罗来纳州立大学);UC San Diego(加州大学圣迭戈分校)
提出TeleSWEBench,首个面向电信领域的提交驱动基准,通过从srsRAN 5G仓库挖掘真实提交并构建734个可执行测试用例,结合分层LLM评判框架TeleJudge,评估ASE工具在电信软件工程中的性能。
2026-06-03 cs.SE
Context-Aware Generative AI for Automated Telecom Test Script Generation
Ericsson R&D Bangalore(爱立信印度班加罗尔研发中心)
提出一种上下文感知的生成式AI框架,通过实时知识图谱和增量引擎检测变化,仅更新受影响的测试,减少人工并加速测试周期。
2026-06-23 cs.AI cs.NI cs.SE
A Generative Model of Software Dependency Graphs to Better Understand Software Evolution
软件系统是由许多相互作用的元素组成的。对软件系统进行抽象的一种自然方法是将它们建模为图。在本文中,我们考虑软件依赖图的面向对象的软件,我们研究了一个拓扑性质:度分布。基于对10个Java软件系统的分析,我们证明了存在完全不同的系统具有相同的度分布。然后,我们提出了一个软件依赖图的生成模型,它合成的图的度分布是接近的经验在真实的软件系统中观察到的。该模型为我们提供了新的见解的潜在的软件演化的基本规则。
2017-04-10 cs.SE
DeepRNG: Towards Deep Reinforcement Learning-Assisted Generative Testing of Software
Vector Institute for Artificial Intelligence(向量人工智能研究所);University of Guelph(圭尔夫大学)
尽管机器学习(ML)已经成功地自动化了各种软件工程需求,但软件测试仍然是一个极具挑战性的话题。在本文中,我们的目标是通过直接增强随机数生成器(RNG)与深度强化学习(RL)代理使用一个有效的,自动提取的状态表示的测试下的软件,以提高软件的生成测试。使用Cosmos SDK作为测试平台,我们证明了所提出的DeepRNG框架对具有超过350,000行代码的高度复杂软件库的测试提供了统计上的显着改进。DeepRNG框架的源代码在网上公开。
2022-01-29 cs.AI cs.LG cs.SE
Leveraging Generative AI for Enhancing Domain-Driven Software Design
Hochschule Karlsruhe University of Applied Sciences, Germany(卡尔斯鲁厄应用科学大学);esentri AG, Ettlingen, Germany(esentri公司)
本文利用生成式AI自动化生成领域驱动设计中的元模型,提升设计效率并降低资源需求。
2026-01-28 cs.LG cs.SE
The Role of Generative AI in Software Development Productivity: A Pilot Case Study
本文通过试点案例研究探讨了生成式AI工具在软件开发中的整合,重点分析了其对不同角色从业者生产力的影响,发现这些工具对个人生产力有积极促进作用,但也存在需要解决的局限性。
2024-06-01 cs.SE
Software Reuse in the Generative AI Era: From Cargo Cult Towards AI Native Software Engineering
University of Jyväskylä(于韦斯屈莱大学);Nokia Technologies(诺基亚技术)
本文探讨生成式AI时代下AI辅助软件复用带来的货崇拜风险,提出研究议程以推动AI原生软件工程发展。
2025-06-22 cs.AI cs.SE
Feature-Factory: Automating Software Feature Integration Using Generative AI
IBM Client Innovation Center(IBM客户创新中心)
针对新功能集成到现有软件项目的复杂性与耗时问题,Feature-Factory框架结合生成式AI和WatsonX.ai,通过项目解析、依赖项解析及AI生成代码实现功能集成自动化,保障系统结构完整性并给出相关方法、模型与结果。
2024-11-27 cs.AI cs.LG cs.MA
Building Living Software Systems with Generative & Agentic AI
该观点论文提出以生成式 AI 和智能体 AI 构建可动态演化的“有生命软件系统”,弥合人类意图与计算操作之间的鸿沟。
2024-08-03 cs.SE
Sentiment Analysis in Software Engineering: Evaluating Generative Pre-trained Transformers
该研究针对软件工程领域情感分析的语境细微性问题,对比评估了BERT等双向Transformer与GPT-4o-mini在不同数据集、不同配置下的性能,揭示了微调与预训练模型的权衡关系,为领域适配工具优化提供了方向。
2025-04-22 cs.CL cs.LG cs.SE
Ethics of Software Programming with Generative AI: Is Programming without Generative AI always radical?
本文分析生成式AI革新软件编码的潜力与风险,提出其是传统编程的辅助工具而非替代品,倡导结合人类监督与AI能力的平衡方案及伦理准则,以负责任地使用GenAI。
2024-10-31 cs.SE
A Generative Neural Network Framework for Automated Software Testing
基于搜索的软件测试(SBST)是一种流行的自动化测试技术,它使用反馈机制来搜索软件中的错误。尽管它很受欢迎,但它在设计、构建和解释反馈方面存在根本性的挑战。近年来,神经网络(NN)在广泛的任务中非常受欢迎。我们认为,它们可以解决共同的SBST方法所固有的许多问题。不幸的是,神经网络需要大量具有代表性的训练数据集。在这项工作中,我们提出了一个SBST框架的基础上,去卷积生成神经网络。它不仅保留了使NN适合SBST任务的有益品质,而且还产生了自己的训练数据,从而避免了获取限制NN使用的训练数据集的问题。我们通过一系列的实验证明,这种架构是可能的和实用的。它生成多样化的,合理的程序输入,同时探索程序行为的空间。它还创建了一个有意义的程序行为排序,并能够找到崩溃的执行。这一切都是在没有任何程序知识的情况下完成的。我们相信这个概念证明为SBST和神经网络的交叉点的未来工作开辟了新的方向。
2020-06-29 cs.LG cs.SE
Software Testing of Generative AI Systems: Challenges and Opportunities
本文探讨了生成式AI系统在软件测试中引入的新挑战,分析了传统测试技术的不足,并提出了未来研究的机遇以提升该领域的质量保证。
2023-09-11 cs.SE
The importance of visual modelling languages in generative software engineering
Business School, University of Edinburgh(爱丁堡大学商学院)
本文探讨可视化建模语言在生成式软件工程中的重要性,研究多模态GPT(如GPT-4)结合图像与文本输入的能力,填补了通过图表与自然语言提示执行软件工程任务相关用例的研究空白。
2025-08-20 cs.AI cs.SE
Exploring the intersection of Generative AI and Software Development
Centro de Informática - UFPE(伯南布哥联邦大学信息中心);Universidade Federal Rural de Pernambuco(伯南布哥联邦乡村大学);CESAR Innovation Center(CESAR创新中心)
本文探讨生成式AI与软件工程的结合,分析各阶段需求并介绍提示、思维链等技术,旨在提升开发效率与质量。
2023-12-21 cs.AI cs.SE
Generative AI Assistants in Software Development Education: A vision for integrating Generative AI into educational practice, not instinctively defending against it
Newcastle University(纽卡斯尔大学)
针对生成式 AI 编程助手带来的行业变革,本文通过访谈从业者了解实践与挑战,提出将 GAI 融入软件开发教育的愿景及教学建议。
2023-08-18 cs.AI cs.HC cs.SE
Legal Aspects for Software Developers Interested in Generative AI Applications
University of Passau(帕绍大学)
本文探讨了软件开发者在将生成式AI集成到产品中时面临的数据保护和版权法律风险,总结了关键知识以帮助开发者避免责任索赔。
2024-04-25 cs.AI cs.CY cs.LG
Generative AI in Software Testing: Current Trends and Future Directions
Ontario Tech University(安大略理工大学)
本文探讨生成式AI在软件测试中的应用,分析其提升测试效率、覆盖率和可靠性的潜力,以及当前面临的挑战与未来发展方向。
2026-03-02 cs.SE
The Role of Generative AI in Strengthening Secure Software Coding Practices: A Systematic Perspective
本文系统研究生成式AI在增强安全编码实践中的作用,通过文献综述与实证分析探讨AI代码生成工具如何缓解安全风险并提升开发效率,为其在安全开发工作流中的集成提供洞见。
2025-04-28 cs.SE
Generative Software Engineering
本文系统综述了预训练模型与大语言模型在软件工程生成式任务中的应用,分类梳理了相关模型、数据集和评估指标,并指出不足与未来研究方向。
2024-04-03 cs.SE
Generative Software Development
从建模语言如UML和领域特定语言(DSL)生成软件已成为软件工程中的一个重要范例。在这方面的贡献,我们提出了一些基于模型的软件开发的立场,生成方式的基础上土生土长的DSL以及UML。这包括DSL的开发以及这些语言的模型开发,以生成不同语言的可执行代码,测试用例或模型。正式领域特定语言的开发包含元模型或语法(语法)的概念、上下文条件(静态分析和质量保证)以及定义语言语义的可能性。DSL的数量和复杂性的增长是通过语言及其工具的模块化和组合开发的概念来解决的。此外,我们还介绍了代码生成和模型转换的方法。最后,我们给出了一个概述的相关性DSL的软件开发过程的各个步骤。
2014-09-08 cs.SE
Agentic Pipelines in Embedded Software Engineering: Emerging Practices and Challenges
Chalmers University of Technology(查尔姆斯理工大学);University of Gothenburg(哥德堡大学)
本文探讨嵌入式软件工程中生成式AI的整合挑战与实践,通过专家访谈揭示代理流水线的发展与可持续采用策略。
2026-01-15 cs.SE
Transforming Software Development with Generative AI: Empirical Insights on Collaboration and Workflow
本文通过访谈13名软件相关从业者,实证研究生成式人工智能对软件开发工作流和团队协作的影响,发现ChatGPT带来范式转变,提升效率与积极性,但也改变了敏捷团队的学习循环。
2024-02-12 cs.SE
Creativity, Generative AI, and Software Development: A Research Agenda
本文探讨生成式AI对软件开发中创造力的潜在影响,运用McLuhan四元体分析GenAI的颠覆场景,并提出包含六个关联主题的未来研究议程,涵盖个人与团队能力、产品、意外后果、社会及人类方面。
2024-06-04 cs.SE
Empowering Business Transformation: The Positive Impact and Ethical Considerations of Generative AI in Software Product Management -- A Systematic Literature Review
Capitol Technology University(卡皮托尔理工大学)
本文通过系统性综述2016至2023年文献,分析生成式 AI 在软件产品管理中的应用、收益、局限与伦理问题,指出其可提升效率与体验但仍需解决可靠性挑战。
2023-06-05 cs.AI cs.SE
Using Software Categories for the Development of Generative Software
在模型驱动开发(MDD)中,软件通过系统地将抽象模型转换为具体的源代码而出现。理想情况下,执行这些转换在很大程度上是代码生成器的任务。开发新的代码生成器的一种方法是编写一个参考实现,并将其分离为手写和可生成的代码。通常,生成器开发人员手动执行这种分离,该过程通常是耗时的、劳动密集型的、难以维护的,并且可能产生比必要的更多的代码。软件类别提供了一种将代码分成具有定义的依赖关系的指定部分的方法,例如,“业务逻辑”代码可能不直接使用“技术”代码。本文提出了一种方法,使用软件类别的概念,半自动地确定候选生成的代码。其主要思想是迭代地从已分类代码的依赖项中派生出未分类代码的类别。最终生成或手写代码的候选是属于特定(先前定义的)类别的代码部分。这种方法可以帮助生成器开发人员比手工搜索更容易和更系统地找到生成代码的候选者,并且是生成软件的工具支持开发的一步。
2015-09-08 cs.SE
Generative AI in Evidence-Based Software Engineering: A White Paper
本文针对系统文献综述耗时的问题,探讨生成式AI在基于证据的软件工程中的作用,并提出将创建并实证验证一套综合模型以有效支持EBSE研究人员的未来愿景。
2024-08-22 cs.SE
How Students Use Generative AI for Software Testing: An Observational Study
Delft University of Technology(代尔夫特理工大学)
本研究通过观察12名本科生使用生成式AI进行单元测试,识别出四种交互策略及提示风格,发现AI虽能节省时间、降低认知负荷,但也引发信任与归属感问题,且对测试有效性和代码质量无显著影响。
2025-10-12 cs.SE
SENAI: Towards Software Engineering Native Generative Artificial Intelligence
针对现有代码生成大模型忽略软件工程基础原则的问题,本文提出将软件工程知识融入大模型,并基于布鲁姆分类法构建评估框架,推动软件工程原生生成式AI发展。
2025-03-19 cs.SE
Generative AI and the Transformation of Software Development Practices
Vivek Acharya(未知)
本文探讨了生成式AI和LLMs如何通过聊天导向、vibe coding及智能体编程等新风格重塑软件开发实践,分析了相关的信任与技能转变问题,并基于案例研究总结了应用中的机遇、挑战及最佳实践。
2025-10-12 cs.AI cs.SE
Generative AI for Software Project Management: Insights from a Review of Software Practitioner Literature
Monash University(莫纳什大学);Prince Sultan University(苏丹王子大学)
本文通过回顾软件从业者文献,探讨生成式AI在软件项目管理中的应用,指出从业者将AI视为助手而非替代品,并提出技能提升建议。
2025-10-13 cs.AI cs.SE
"Game Changer" or "Overenthusiastic Drunk Acquaintance"? Generative AI Use by Blind and Low Vision Software Professionals in the Workplace
University of California, Irvine(加州大学尔湾分校);University of Southampton(南安普顿大学)
研究探讨生成AI对盲人和低视力软件专业人员工作的影响,发现其在提升生产率和可访问性方面有积极作用,但同时也带来更高的幻觉风险和组织政策限制。
2025-12-30 cs.SE
Automating Automotive Software Development: A Synergy of Generative AI and Model-Based Methods
Technical University of Munich(慕尼黑工业大学)
本文提出结合生成式AI与基于模型的方法,自动化汽车软件开发,通过事件链描述生成软件组件并提升系统可靠性。
2025-12-18 cs.SE
Using Generative AI in Software Design Education: An Experience Report
本文报告了在本科软件设计课程中引入ChatGPT辅助团队作业的经验,通过定性分析对话日志和学生反思,发现GenAI能帮助学生设计并认识其优劣,同时为教育者提供了有效部署GenAI的关键经验。
2025-06-26 cs.SE
Graphical-Probabilistic Modeling of Generative Flows in LLM-Native Software Systems
Departamento de Computación, FCEN, Universidad de Buenos Aires / ICC, UBA-CONICET(布宜诺斯艾利斯大学计算机系 / UBA-CONICET)
针对LLM原生软件开发缺乏设计级推理的问题,提出基于图形概率模型的生成网络框架,用于文档化生成流并描述系统属性。
2026-06-16 cs.AI cs.SE
Prototyping with Prompts: Emerging Approaches and Challenges in Generative AI Design for Collaborative Software Teams
本研究通过设计研究探索协作软件团队中生成式AI原型设计的新兴实践与挑战,强调提示工程策略和内容特征在快速迭代中的关键作用。
2025-03-30 cs.HC cs.SE
Think Like an Engineer: A Neuro-Symbolic Collaboration Agent for Generative Software Requirements Elicitation and Self-Review
本文提出 RequireCEG 智能体,通过神经-符号协作架构结合因果效应图,分层分析用户叙述、构建自修复 CEGs 并优化 Gherkin 场景,在 RGPair 数据集上实现 87% 覆盖率和 51.88% 多样性提升。
2025-07-20 cs.SE
ArchBench: Benchmarking Generative-AI for Software Architecture Tasks
Software Engineering Research Center (SERC) International Institute of Information Technology Hyderabad (IIIT-H)(印度信息技术研究所海德拉巴分校软件工程研究中心)
针对现有LLM基准多聚焦实现正确性、软件架构任务难统一评测的问题,研究提出首个统一基准平台ArchBench,含带标准化流程的CLI工具与带交互式排行榜的网页端,采用插件架构支持社区贡献,覆盖各类生成式AI软件工程方案,推动可复现研究。
2026-03-18 cs.SE
Navigating the Complexity of Generative AI Adoption in Software Engineering
本文通过混合方法研究生成式AI在软件工程中的采用,提出HACAF理论模型,发现兼容性是早期采用的主要驱动因素,挑战了传统技术接受理论,为AI工具设计与组织实施提供见解。
2024-01-04 cs.SE
Dazzle: Using Optimized Generative Adversarial Networks to Address Security Data Class Imbalance Issue
North Carolina State University(北卡罗来纳州立大学)
背景资料:机器学习技术在诸如软件漏洞预测等许多软件安全任务中得到了广泛的应用并表现出良好的性能。然而,软件漏洞数据集内的类比率通常是高度不平衡的(因为观察到的漏洞的百分比通常非常低)。目标:帮助安全从业人员解决软件安全数据类不平衡问题,并进一步帮助使用重新采样的数据集构建更好的预测模型。方法:我们引入了一种称为Dazzle的方法,它是条件Wasserstein生成对抗网络的优化版本。Dazzle使用一种名为贝叶斯优化的新型优化器探索了cWGAN-GP的架构超参数。我们使用Dazzle来生成少数类样本,以重新采样原始的不平衡训练数据集。结果:我们使用三个软件安全数据集评估Dazzle,即,Moodle漏洞文件、Ambari错误报告和JavaScript函数代码。我们表明,Dazzle是实用的,并证明了对现有的最先进的过采样技术,如SMOTE(例如,在所有数据集中,在召回方面平均比SMOTE提高约60%)。结论:基于这项研究,我们建议使用优化的GANs作为安全漏洞数据类不平衡问题的替代方法。
2022-05-02 cs.CR cs.LG cs.SE
A State-of-the-practice Release-readiness Checklist for Generative AI-based Software Products
Queen’s University(女王大学);National Bank of Canada(加拿大国民银行)
本文通过系统综述灰色文献,提出了一份面向基于生成式AI软件产品的发布就绪检查清单,帮助从业者从性能、监控和部署策略等方面评估LLM应用的发布可靠性。
2024-03-27 cs.AI cs.SE
On the experiences of adopting automated data validation in an industrial machine learning project
背景资料:数据错误是机器学习(ML)项目中的常见挑战,通常会导致支持ML的软件系统的性能显著下降。为了确保早期检测错误数据并避免使用不良数据训练ML模型,研究和工业实践建议在ML系统开发过程中纳入数据验证过程和工具。目的:该研究调查了工业ML项目中数据验证过程和工具的采用。数据验证过程需要大量的工程资源用于工具开发和维护。因此,确定最佳实践以供采用是非常重要的,特别是对于处于部署支持ML的软件系统的早期阶段的开发团队。方法:行动研究是在电信行业的大型软件密集型组织中进行的,特别是在分析研发组织中,用于对返回的硬件电信设备进行故障分类的ML用例。结果如下:根据评估结果和行动研究的学习,我们确定了在ML项目中采用数据验证过程和工具的三个最佳实践、三个好处和两个障碍。我们还提出了一个数据验证框架(DVF)的系统化采用的数据验证过程。结论:结果表明,在ML项目中采用数据验证过程和工具是测试ML支持的软件系统的有效方法。它需要对数据级别(特征、数据集、交叉数据集、数据流)有一个概述,在这个级别上可以应用某些数据质量测试。
2021-03-06 cs.SE
Role and Identity Work of Software Engineering Professionals in the Generative AI Era
INESC TEC, Faculty of Engineering , University of Porto(波尔图大学工程与计算机科学研究中心)
本文探讨生成AI时代软件工程专业人员角色对身份工作的影响,提出研究议程以理解角色如何影响身份工作并提出支持GenAI采用的新工具。
2026-02-20 cs.CY cs.SE
A Research Roadmap for Augmenting Software Engineering Processes and Software Products with Generative AI
University of Naples "Federico II" Napoli Italy;Ruhr Institute for Software Technology (paluno), University of Duisburg-Essen Essen Germany;Karlsruhe Institute of Technology (KIT) Karlsruhe Germany;Gran Sasso Science Institute (GSSI) L'Aquila Italy;University of Naples "Federico II";Ruhr Institute for Software Technology (paluno), University of Duisburg-Essen;Karlsruhe Institute of Technology (KIT);Gran Sasso Science Institute (GSSI)
本文提出一个生成人工智能增强软件工程的路线图,通过多轮过程整合证据,系统分析生成人工智能对软件工程过程、方法和工具的影响,并确定未来研究方向。
2026-02-04 cs.AI cs.ET cs.LG
Future of Code with Generative AI: Transparency and Safety in the Era of AI Generated Software
本研究审视AI生成代码的现状与风险,提出增强透明度与功能分析的解决方案,并探讨其对通用人工智能发展的长期影响,强调负责任的开发与部署。
2025-05-18 cs.AI cs.SE
Dealing with Data for RE: Mitigating Challenges while using NLP and Generative AI
TCS Research(塔塔咨询服务研究机构)
本章面向 AI 融合背景下的需求工程,分析企业集成 NLP 与生成式 AI 时的数据、训练、评估及流程挑战,并给出实践方案与新型 RE 任务建议。
2024-02-28 cs.CL cs.SE
The Enhancement of Software Delivery Performance through Enterprise DevSecOps and Generative Artificial Intelligence in Chinese Technology Firms
Solbridge International School of Business(索尔布里奇国际商学院)
本研究通过定性访谈和案例研究,发现整合DevSecOps与生成式AI能显著提升科技企业软件交付性能,包括研发效率、代码管理和安全质量,并指出未来需定量验证。
2024-11-04 cs.AI cs.SE
Rethinking Artifact Evaluation for Software Engineering in the Age of Generative AI
Singapore Management University(新加坡国立大学);Monash University(莫纳什大学)
本文探讨生成式AI时代软件工程同行评审中Artifact评估的重要性,指出需重视科学实质而非叙事质量,提出将Artifact评估作为同行评审首要组成部分。
2026-01-26 cs.SE
"Don't Be Afraid, Just Learn": Insights from Industry Practitioners to Prepare Software Engineers in the Age of Generative AI
William & Mary(威廉与玛丽学院)
本文通过调研51名行业从业者和11次访谈,发现生成式AI对软件工程师技能需求产生影响,提出教育界应整合GenAI并改进评估方法的建议。
2026-04-07 cs.AI cs.SE
Bias and Error Mitigation in Software-Generated Data: An Advanced Search and Optimization Framework Leveraging Generative Code Models
本文提出一种基于 Solomonoff Induction 和 Kolmogorov Conditional Complexity 的先进搜索与优化框架,利用 LLMs 生成并选择最优代码,以迭代缓解软件生成数据中的偏差与误差。
2023-10-17 cs.IT cs.LG cs.SE
Generative AI in the Software Engineering Domain: Tensions of Occupational Identity and Patterns of Identity Protection
本文基于职业身份与自我决定理论,通过软件工程领域的定性研究,揭示不同经验水平的工程师如何通过意义建构保护职业身份,并为组织应对生成式AI带来的职业身份冲击提出设计指南。
2024-10-04 cs.HC cs.SE