From Code to Correctness: Closing the Last Mile of Code Generation with Hierarchical Debugging
Shanghai Jiao Tong University(上海交通大学);University of California, Davis(加州大学戴维斯分校);East China Normal University(华东师范大学);University of Pennsylvania(宾夕法尼亚大学)
本文提出MGDebugger,一种分层调试器,通过多粒度分析提升代码生成的准确性与修复效率。
2025-11-22 cs.AI cs.CL cs.PL
DePro: Understanding the Role of LLMs in Debugging Competitive Programming Code
Military Institute of Science And Technology(军事科学与技术学院);Missouri University of Science and Technology(密苏里科技大学);University of Maryland Baltimore County(马里兰大学巴尔的摩县分校)
本文通过实证研究,提出DePro方法,利用测试用例驱动的方式帮助程序员修正现有代码,有效提升调试效率,实验表明其在减少调试次数和时间方面优于人类和零样本LLM。
2026-03-19 cs.SE
Design and Implementation of Data Acquisition and Analysis System for Programming Debugging Process Based On VS Code Plug-In
ONUS Global Fulfillment Solutions(ONUS全球履约解决方案)
本文设计并实现了一个基于VS Code插件的编程调试过程数据采集与分析系统,通过抽象语法树模型和多维调试场景,实现调试行为的全过程监控与精准分析,为编程调试教学提供过程性评价支持。
2025-11-08 cs.SE cs.SI
Large Language Model Guided Self-Debugging Code Generation
Open Source Institute, Faculty of Science and Technology, University of Canberra(开源研究院,科学与技术学院,堪培拉大学)
本文提出PyCapsule框架,通过双代理流水线和自调试模块提升Python代码生成的成功率,在多个基准上显著优于现有方法。
2026-11-03 cs.AI cs.SE
Learning Code-Edit Embedding to Model Student Debugging Behavior
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
提出基于编码器-解码器的模型,通过学习连续代码提交间的代码编辑嵌入并微调LLMs,捕捉学生调试行为,实现个性化代码建议并揭示常见错误模式。
2025-04-29 cs.CL cs.SE
Effective Large Language Model Debugging with Best-first Tree Search
NVIDIA(英伟达)
提出一种带自我反思的最佳优先树搜索算法(BESTER),使LLM能通过识别先前错误来调试代码,在三个基准上实现最先进的Pass@1,并提供了关于自我反思机制与有效性的深入分析。
2024-07-26 cs.AI cs.LG cs.SE
AutoGen Studio: A No-Code Developer Tool for Building and Debugging Multi-Agent Systems
Microsoft Research(微软研究院)
为解决多智能体系统参数指定与调试困难的问题,提出基于AUTOGEN框架的无代码工具AUTOGEN STUDIO,提供拖放式UI和Python API以快速原型设计、评估和调试多智能体工作流,并开源了实现。
2024-08-09 cs.AI cs.CL cs.HC
RepoDebug: Repository-Level Multi-Task and Multi-Language Debugging Evaluation of Large Language Models
School of Computer Science and Engineering, Beihang University(北京航空航天大学计算机科学与工程学院);East China Normal University(华东师范大学);School of Computer Science and Technology, Beijing Institute of Technology(北京理工大学计算机科学与技术学院);Baidu Inc.(百度公司)
本文提出RepoDebug,一个多任务多语言仓库级代码调试数据集,涵盖22种错误子类型、8种语言和3种任务,并评估10个LLM,发现最佳模型Claude 3.5 Sonnet在仓库级调试中仍表现不佳。
2025-09-08 cs.AI cs.SE
What we can learn from how programmers debug their code
研究人员已经开发了许多调试方法来帮助程序员在调试过程中,但这些方法很少在实践中使用。在本文中,我们将探讨程序员如何调试他们的代码,以及研究人员在开发调试方法时应该考虑什么。我们进行了一个在线问卷调查,102名程序员提供了最近修复的错误的信息。我们发现大多数bug(69.6%)是语义bug.内存和并发性bug不那么频繁地发生(6.9%和8.8%),但它们消耗更多的调试时间。定位一个bug比复制和修复它更困难,程序员通常只使用IDE内置的工具进行调试。此外,程序员在调试时经常使用复制-观察-演绎模式。这些结果表明,调试支持是特别有价值的内存和并发错误。此外,研究人员应该专注于故障定位阶段,并将他们的工具集成到常用的IDE中。
2021-03-23 cs.SE
BugSpotter: Automated Generation of Code Debugging Exercises
MPI-SWS(马克斯·普朗克软件系统研究所);University of Auckland(奥克兰大学)
BugSpotter利用大语言模型自动生成带错误的代码调试练习,并通过课堂对比验证其与人工出题效果相当,为编程教学提供高效辅助。
2024-11-25 cs.AI cs.SE
Debugging Static Analysis
为了检测和修复错误和安全漏洞,软件公司使用静态分析作为开发过程的一部分。但是,静态分析代码本身也容易出现bug。为了确保一致的精度水平,随着被分析的程序变得越来越复杂,静态分析必须处理程序使用的更多代码构造、框架和库。虽然每天都有更复杂的分析被编写并用于生产系统,但调试和修复它们的成本也大大增加。为了更好地理解调试静态分析的困难,我们调查了115位静态分析作者。从他们的回复中,我们提取了构建用于静态分析的调试器的核心需求,这些需求围绕两个主要问题:(1)同时从两个代码库(分析代码和被分析代码)中进行抽象,以及(2)在两个代码库中跟踪分析内部状态。我们的调查参与者使用的大多数当前调试工具缺乏解决这两个问题的能力。针对这些需求,我们介绍了VisuFlow,这是一个集成在Eclipse开发环境中的静态数据流分析调试环境。VisuFlow具有图形可视化功能,使用户能够随时查看数据流分析的状态及其中间结果。VisuFlow中的特殊断点可帮助用户同时单步执行分析代码和分析对象。为了评估VisuFlow的有用性,我们对20位静态分析作者进行了用户研究。与使用标准Eclipse调试环境相比,使用VisuFlow帮助我们的分析编写者样本识别并修复了分析代码中25%以上的错误。
2018-01-15 cs.SE
Debugging Invariant Issues in Pseudo Embedded Program: an Analytical Approach
软件开发是软件开发生存周期中不可避免的一个重要环节。尤其是当它变成嵌入式的时候。由于嵌入式软件对代码大小和资源消耗的要求较低,因此在开发阶段需要不断升级,代码变化较大。这导致了在生产时将bug侵入代码的巨大风险。本文提出了一种结合不变量分析的伪格式嵌入式程序调试方法。我们的方法工作在Daikon之上,Daikon是一个流行的不变量分析器。我们已经尝试了一个简化的代码片段[1],在调试BusyBox中报告的错误时使用,BusyBox是嵌入式系统中Linux的事实标准。
2012-09-13 cs.SE
CODESIM: Multi-Agent Code Generation and Problem Solving through Simulation-Driven Planning and Debugging
Bangladesh University of Engineering and Technology(孟加拉工程与技术大学);Qatar Computing Research Institute(卡塔尔计算研究所)
CODESIM提出了一种基于仿真的多智能体代码生成框架,通过仿真验证和内部调试提升代码生成能力,在多个基准测试中取得新高成绩。
2025-02-08 cs.AI cs.CL cs.SE
Leveraging Print Debugging to Improve Code Generation in Large Language Models
Zhejiang University(浙江大学);ByteDance(字节跳动)
针对LLMs处理复杂编程问题性能欠佳的问题,提出基于“打印调试”的上下文学习方法,指导模型插入打印语句并分析日志修复漏洞,在Leetcode问题上效果优于橡皮鸭调试法。
2024-01-10 cs.CL cs.SE
TraceDiff: Debugging Unexpected Code Behavior Using Trace Divergences
程序合成的最新进展提供了在大规模编程教室中自动调试学生提交并生成个性化反馈的方法。当自动生成编程作业的反馈时,一个关键的挑战是设计教学上有用的提示,这些提示与教师给出的手动反馈一样有效。通过对132篇网络问答帖中教师暗示行为的分析,我们确立了有效反馈设计应遵循的三条设计原则。基于这些准则,我们开发了一个反馈系统,利用程序合成和可视化技术。我们的系统比较了不正确代码和固定代码的动态代码执行,并强调了错误如何导致行为的差异,以及不正确的代码跟踪偏离预期的解决方案。从我们的研究结果表明,我们的系统使学生能够检测和修复错误,没有被学生使用另一个现有的可视化调试工具。
2017-08-12 cs.CY cs.HC cs.PL
Coding with Eyes: Visual Feedback Unlocks Reliable GUI Code Generating and Debugging
Shenzhen Institute for Advanced Study, University of Electronic Science
本文提出InteractGUI Bench基准和VF-Coder系统,通过视觉反馈提升GUI代码生成与调试效果,提高成功率和视觉评分。
2026-03-14 cs.AI cs.HC cs.SE
Guided Debugging of Auto-Translated Code Using Differential Testing
针对大语言模型代码翻译错误难定位的问题,提出结合模糊测试与启发式差分测试的调试工具tHinter,可大幅减少开发者审查代码量并提升错误修复效率。
2025-01-16 cs.SE
Debugging Native Extensions of Dynamic Languages
许多动态规划语言,如Ruby和Python,使开发人员能够使用所谓的本地扩展,代码实现在典型的静态编译语言,如C和C++。但是,这些动态语言的调试器通常不支持调试这些本地扩展。GraalVM可以执行以各种动态规划语言实现的程序,并且通过使用LLVM-IR解释器Sulong,还可以执行它们的本地扩展。我们基于GraalVM的调试框架,通过将LLVM-IR级别的运行时调试信息与原始程序代码相关联,为Sulong添加了对源代码级调试的支持。因此,开发人员现在可以使用GraalVM调试用多种基于LLVM的程序设计语言编写的源代码,以及用各种动态语言实现的程序,这些程序在公共调试器前端中调用GraalVM。
2018-08-02 cs.SE
Kodezi Chronos: A Debugging-First Language Model for Repository-Scale Code Understanding
Kodezi Inc.(Kodezi公司)
Kodezi Chronos-1是一种专为调试设计的语言模型,通过自适应图引导检索、持久调试内存和七层架构,在多文件调试任务中达到67.3%的修复准确率,超越现有模型并实现仓库特定的高解决率。
2025-12-02 cs.AI cs.CE cs.LG
A Framework for Debugging Java Programs in a Bytecode
在软件工程领域,程序分析和理解一直被认为是一个非常具有挑战性的任务,因为它需要专门的时间和精力。由于其静态特性,对源代码的分析有时可能相对容易,然而,后端代码(字节码),特别是在Java编程方面,分析起来很复杂。在本文中,我们提出了一种方法论的方法来理解Java程序的字节码。提出了一个Java字节码调试过程的框架。此外,我们讨论了调试过程中的字节码理解从简单的多语句方面的数据流分析。最后,我们提出了一个比较分析的字节码随着模拟的建议框架的调试过程
2019-04-29 cs.FL cs.PL cs.SE
An Exploratory Study of Debugging Episodes
长期以来,许多研究都在调查开发人员如何调试,塑造我们对调试的理解,并帮助激励开发更有效的工具。然而,很少有人知道在现实世界中调试的典型进展。在这项研究中,我们专注于从开发人员第一次遇到缺陷的那一刻起,它被解决的调试情节的特点。我们研究了调试事件的典型持续时间和频率以及发生的典型活动。我们通过观看专业开发人员在直播编程会议中的工作来观察开发人员。使用这个数据源,我们策划了15个会议,其中11名专业开发人员工作了30个小时。然后,我们系统地编码了这些视频中发生的调试事件和活动,产生了2137个调试活动和1407个编程活动的数据集。我们发现调试是频繁的,即使在编程工作中,每八分钟发生一次。癫痫发作的时间差异很大,大多数不到几分钟,少数超过100分钟。然而,大多数调试时间都花在了长的调试片段上。我们没有发现单一的活动主导调试时间,长调试事件往往涉及许多不同的活动。最后,我们发现,就开发人员所做的活动而言,编程和调试非常相似,特别是在编辑和浏览代码的频率方面。
2021-05-05 cs.SE
DDBench: A Benchmark for Agentic Debugging on Distributed Systems
University of Southern California(南加州大学)
该研究推出分布式系统代码修复基准DDBench,评估10个LLM的代码修复能力,发现调试上下文可提升准确率且对强弱模型影响不同,分布式调试能凸显单进程基准未体现的推理能力。
2026-11-10 cs.AI cs.DC cs.SE
ChatDBG: Augmenting Debugging with Large Language Models
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Amazon Web Services(亚马逊网络服务);Williams College(威廉姆斯学院)
ChatDBG是一个集成大型语言模型的AI调试助手,通过与调试器协作对话,实现根因分析、错误解释和自动修复,显著提升调试效率,单次查询修复率达67%。
2025-06-19 cs.AI cs.LG cs.PL
Verificarlo CI: continuous integration for numerical optimization and debugging
针对数值代码开发中浮点精度问题难以及时发现、数值回归易延迟暴露的痛点,提出用于数值优化与调试的持续集成工作流Verificarlo CI,并通过两个测试用例验证了其适用性。
2024-07-11 cs.SE
DebugTracker: Lightweight Process Evidence for Classroom Debugging
Monash University(莫纳什大学)
研究提出DebugTracker这一VS Code扩展,用于记录课堂调试的轻量级过程证据,它能分离不同模式跟踪、存储特定事件并导出报告,与语言无关,通过标准机制捕获证据,经多语言调试任务等验证了原型。
2026-08-18 cs.CY cs.SE
Explainable Automated Debugging via Large Language Model-driven Scientific Debugging
本文提出AutoSD技术,通过大语言模型生成假设并用调试器与缺陷代码交互,使自动化调试推理对齐人类开发者,从而提供可解释的补丁生成过程,实验证明其修复效果具竞争力且能提升开发者判断准确率。
2023-04-05 cs.SE
CUDABeaver: Benchmarking LLM-Based Automated CUDA Debugging
University of Minnesota(明尼苏达大学)
提出CUDABEAVER基准,通过协议条件指标pass@k(M,C,A)评估LLM修复CUDA代码的能力,揭示性能损失容忍度对成功率的影响。
2026-05-26 cs.LG cs.PL cs.SE
SEDCoT: Enhancing LLM-Based COBOL Code Translation via Symbolic Execution and Delta Debugging
University of Lugano(卢加诺大学);Technical University of Munich(慕尼黑工业大学);University of Augsburg(奥格斯堡大学)
针对COBOL代码翻译难题,提出SEDCoT框架。先利用大语言模型初译,再结合符号执行与大语言模型指导生成测试套件修复语义差异,最后用增量调试最小化失败测试,提升翻译性能与可读性。
2026-09-02 cs.SE
How Developers Experience Debugging Unfamiliar Codebases with Code Tours Generated and Evaluated by Local LLMs
该研究探讨开发者使用本地大语言模型生成评估的代码导航调试陌生代码库的体验,明确代码导航组件属性对开发者的影响,为优化代码导航生成与评估提供方向。
2026-08-06 cs.SE
Enhancing LLM Code Generation: A Systematic Evaluation of Multi-Agent Collaboration and Runtime Debugging for Improved Accuracy, Reliability, and Latency
本文系统评估了多智能体协作与运行时调试相结合对LLM代码生成的影响,通过19个模型和两个基准数据集验证其在准确性、可靠性和延迟方面的综合效果。
2025-05-04 cs.SE
DebugTA: An LLM-Based Agent for Simplifying Debugging and Teaching in Programming Education
Shanghai Jiao Tong University(上海交通大学);Fudan University(复旦大学)
针对编程教育中调试与教学任务输入复杂且未充分利用标准代码的挑战,提出基于LLM的智能体DebugTA,通过专用工具和任务分解简化推理并对齐代码,显著提升教学效果并降低计算成本。
2025-10-13 cs.SE
How to Teach Programming in the AI Era? Using LLMs as a Teachable Agent for Debugging
本研究提出HypoCompass系统,让学生以助教身份帮LLM可教智能体调试代码,通过任务分工提升学生调试能力,其生成训练材料效率超人类四倍,学生调试成绩提升12%。
2024-10-10 cs.HC cs.SE
HLSDebugger: Identification and Correction of Logic Bugs in HLS Code with LLM Solutions
Hong Kong University of Science and Technology(香港科学与技术大学)
针对HLS代码调试难度大、训练数据稀缺等问题,本研究提出HLSDebugger方案,发布30万条标注数据集,采用单编码器-解码器模型完成多任务调试,性能显著优于先进LLM。
2025-07-29 cs.AI cs.SE
Generation of and Debugging with Logical Pre and Postconditions
本文介绍了SLAM系统提供的调试工具。SLAM系统包括i)规约语言,其使用面向对象的模型来集成代数规范和基于模型的规范。类操作是通过使用规则来定义的,每个规则都有逻辑上的前置条件和后置条件,但都有函数的味道。ii)一种开发环境,除了其他特征之外,该开发环境能够以高级面向对象语言生成可读代码。iii)生成的代码包括(部分)前置和后置条件作为断言,可以在程序的调试模式执行中自动检查。我们专注于最后一个方面。SLAM语言的表达能力足以描述许多有用的属性,这些属性被翻译成Prolog程序,该程序(通过适当的接口)与用户程序链接。程序的调试执行与负责检查属性的Prolog引擎交互。
2001-01-12 cs.PL cs.SE
Reasoning Trajectories for Socratic Debugging of Student Code: From Misconceptions to Contradictions and Updated Beliefs
University of North Carolina at Charlotte(北卡罗来纳州夏洛特大学)
本文提出推理轨迹生成任务,通过标注的调试问题数据集探讨生成推理轨迹和基于LLM的苏格拉底对话方法,实验显示LLM能生成91%正确的推理轨迹和98.7%有效的对话内容。
2026-05-11 cs.CL cs.CY cs.SE
Debugging with Open-Source Large Language Models: An Evaluation
本文初步评估了五个开源大语言模型在DebugBench基准上的代码调试能力,发现DeepSeek-Coder在Python、Java和C++上均表现最佳,得分范围为43.9%至66.6%。
2024-09-04 cs.SE
Dual-Process Scaffold Reasoning for Enhancing LLM Code Debugging
National Taiwan University(国立台湾大学);AI Research Center, Inventec Corporation(Inventec公司人工智能研究中心);University at Albany, SUNY(纽约州立大学阿尔巴尼分校)
针对LLM推理步骤平衡复杂度与效率的问题,提出基于心理学的支架推理框架(含支架、分析、整合流),在DebugBench上实现88.91%通过率和5.36秒/问题的推理效率,优于其他方法且与人类认知一致。
2025-11-11 cs.AI cs.CL cs.SE
First Infrastructure and Experimentation in Echo-debugging
随着应用程序的开发,bug不可避免地被引入。通常,我们不清楚为什么一个给定的代码更改会引入一个给定的bug。为了找到这种因果关系并更有效地进行调试,开发人员可以利用以前版本的代码,而不使用bug。但是传统的调试工具并不是为这种类型的工作而设计的,这使得这种操作变得单调乏味。在这篇文章中,我们提出了探索性的工作回声调试器,一个工具来调试两个不同的执行并行,收敛发散映射(CDM)算法来定位所有的控制流的分歧和收敛这些执行。在这个探索性的工作中,我们提出了该工具的架构和解决一个不平凡的错误的方案。
2020-11-09 cs.PL cs.SE
Debugging Memory Issues In Embedded Linux: A Case Study
检测表示检测程序中意外可观察行为的根本原因的过程,例如程序崩溃、产生意外输出值或断言违规。排除程序错误是一项困难的任务,并且在软件开发生存周期中经常花费大量的时间。在嵌入式软件的背景下,bug的概率相当高。由于嵌入式软件要求低代码大小和更少的资源消耗,因此通常在开发期间消除大量的健全性检查。这导致在运行时间在生产代码中发现错误的可能性很高。在本文中,我们提出了一种方法来调试BusyBox,Linux在嵌入式系统中的事实标准的错误。我们的方法工作在Valgrind,一个流行的内存错误检测器和Daikon,一个不变的分析。我们在BusyBox中实验了两个已发表的错误,并在本文中报告了我们的发现。
2012-08-02 cs.SE
Multi-Mode Debugging for FRP-Based Embedded Systems
Institute of Science Tokyo(东京科学大学)
针对Emfrp嵌入式应用的抽象鸿沟问题,提出多模式调试框架,结合源代码映射技术,可在Emfrp抽象级与C/C++ I/O级调试,经ESP32案例验证提升调试效率。
2026-09-30 cs.PL cs.SE
LAUDE: LLM-Assisted Unit Test Generation and Debugging of Hardware DEsigns
Dept. of Electrical and Computer Engineering, University of Illinois Chicago(伊利诺伊大学芝加哥分校电子与计算机工程系);Microsoft(微软公司)
LAUDE利用大语言模型能力,实现硬件设计的单元测试生成与调试,有效检测和修复设计中的错误。
2026-08-11 cs.AI cs.SE
Fine-Tuning Qwen3-27B for C-to-Rust Code Translation: A Three-Stage Curriculum of Pretraining, Debugging-Aware SFT, and Task-Specific SFT
Northeastern University(东北大学);EmbodyX Inc(EmbodyX公司);Aibao LLC(Aibao有限责任公司)
本研究针对C到Rust代码翻译任务,对Qwen3-27B采用三阶段微调课程,结合SACTOR框架评估后,其性能优于基线模型及其他LLM。
2026-09-01 cs.AI cs.ET cs.LG
A brief overview of the MAD debugging activities
并行和分布式程序是一个困难的活动,由于顺序错误的多样性,存在恶性效应,如竞争条件和死锁,以及必须处理的大量数据。这些问题由监视和调试环境MAD解决,它提供基于程序执行的图形表示的调试功能。MAD的目标应用程序是应用标准消息传递接口MPI的并行程序,该接口广泛用于高性能计算领域。MAD的亮点是交互式检查机制,包括分布式数组的可视化,图形化放置断点的可能性,监视器开销删除的机制,以及由于代码中的不确定性而发生的竞争消息的评估。
2000-12-16 cs.PL cs.SE
VeriPilot: An LLM-Powered Verilog Debugging Framework
State Key Lab of Processors, Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所国家专用集成电路设计实验室);University of Chinese Academy of Sciences(中国科学院大学);North China Electric Power University(华北电力大学)
提出VeriPilot框架,利用黄金参考模型和LLM实现细粒度Verilog调试,通过内部变量语义对齐和CDFG信号追踪定位并修复错误,在CVDP基准上将GPT-4o修复成功率从54.3%提升至85.71%。
2026-06-24 cs.AI cs.AR cs.SE
Poster: libdebug, Build Your Own Debugger for a Better (Hello) World
本文提出开源 Python 库 libdebug,为程序化调试用户态二进制程序提供友好 API,并通过案例与基准测试证明其系统调用和断点处理延迟比 GDB 低 3 至 4 倍。
2025-06-03 cs.CR cs.SE
Support for Debugging Automatically Parallelized Programs
我们描述了一个系统,它简化了计算机辅助并行化工具产生的调试程序的过程。该系统使用相关的调试技术来比较串行和并行执行,以显示计算开始不同的地方。如果原始串行代码是正确的,则将通过比较来隔离由于并行化引起的错误。系统的主要目标之一是最小化用户所需的工作量。为此,调试系统使用由并行化工具产生的信息来驱动比较过程。特别地,调试系统依赖于并行化工具来提供关于变量可能已被修改的位置以及数组如何跨多个进程分布的信息。通过使用动态检测,用户的工作量也减少了。这允许我们修改程序执行,而不改变用户构建可执行文件的方式。使用动态插装还允许我们以细粒度的方式比较执行,并且仅在检测到差异时才涉及调试器。这减少了执行插装的开销。
2000-12-11 cs.PL cs.SE
AgentStepper: Interactive Debugging of Software Development Agents
University of Stuttgart(斯图加特大学);CISPA Helmholtz Center for Information Security(CISPA 沃尔夫冈·泡利信息安全中心)
AgentStepper是一种用于LLM软件工程代理的交互式调试工具,通过结构化对话和逐步执行提升调试效率,减少开发者工作量。
2026-02-06 cs.AI cs.SE
BugsInPy: A Database of Existing Bugs in Python Programs to Enable Controlled Testing and Debugging Studies
受Java缺陷基准Defects4J启发,本研究构建了包含17个真实Python项目493个真实缺陷的BugsInPy基准数据库及工具,以填补Python测试调试基准的不足,推动相关工具研究发展。
2024-01-27 cs.SE
Out-Of-Place debugging: a debugging architecture to reduce debugging interference
上下文最近的研究表明,开发人员将大部分编程时间用于测试,验证和调试软件。随着应用程序变得越来越复杂,开发人员需要更高级的调试支持来简化软件开发过程。查询自70年代以来,引入了许多调试解决方案。其中,在线调试器提供了一个很好的洞察导致错误的条件,允许检查和与程序的变量交互。然而,大多数在线调试解决方案将\textit{debugging interference}引入到程序的执行中,即暂停、延迟和包含副作用的代码的评估。approach.本文研究了一种新的调试技术,称为\outofplace调试。目标是最小化在线调试的调试干扰特性,同时允许在线远程功能。\outofplace调试器将程序执行和应用状态从被调试的应用程序传送到调试器应用程序,两者都在不同的进程中运行。知识一方面,\outofplace调试允许开发人员远程调试应用程序,克服了对运行被调试应用程序的机器进行物理访问的需要。另一方面,调试在远程机器上本地进行,避免了延迟。这使得它适合部署在分布式系统上,并处理并行运行的多个进程的调试。接地。我们为Pharo Smalltalk程序设计语言实现了一个具体的异地调试器。我们表明,我们的方法是实用的,通过执行几个基准,比较我们的方法与经典的远程在线调试器。我们表明,我们的原型调试器优于传统的远程调试器在几种情况下的1000倍。此外,我们表明,我们的调试器的存在不会影响应用程序的整体…
2018-11-05 cs.SE
An Exploratory Eye Tracking Study on How Developers Classify and Debug Python Code in Different Paradigms
Dakota State University(达科他州立大学);University of Nebraska--Lincoln(内布拉斯加大学林肯分校)
本研究通过眼动追踪实验探究开发者在Python代码分类与调试中受编程范式的影响,发现函数式与过程式范式易混淆、函数式代码调试耗时更长且阅读模式存在显著差异。
2025-11-10 cs.SE
On-the-fly Query-Based Debugging with Examples
程序错误很难发现,因为在错误发生的时间和程序员发现错误的时间之间存在因果差距。虽然调试技术(如条件断点和数据断点)有助于在简单情况下找到错误原因,但在许多情况下,它们无法有效地弥合因果差距。基于查询的调试器为程序员提供了一个有效的工具,它通过在被调试程序运行时不断检查对象间的关系来提供即时的错误警报。为了使基于查询的调试器在程序执行中以便携式的方式,我们提出了高效的Java类文件插装,并讨论替代技术。虽然动态调试器的开销比基于查询的动态调试器高,但它提供了额外的交互能力和灵活性,同时保持了完全的可移植性。为了加快动态查询评估,我们的调试器在可移植的Java实现使用的组合,程序插装,加载时代码生成,查询优化,和增量重新评估。本文讨论了动态调试,并演示了基于查询的调试器应用程序调试Java煤气罐小程序以及SPECjvm 98套件应用程序。
2000-11-16 cs.PL cs.SE
Do the Test Smells Assertion Roulette and Eager Test Impact Students' Troubleshooting and Debugging Capabilities?
为了确保软件系统的质量,开发人员执行称为单元测试的活动,其中他们编写代码(称为测试用例)来验证组成系统的各个软件单元。与生产代码一样,测试用例也会受到不良编程实践的影响,这些实践被称为测试气味,会损害维护活动。大多数维护活动的一个重要部分是程序理解,这涉及到开发人员阅读代码以了解其行为,以修复问题或更新功能。在这项研究中,我们进行了一个对照实验,96名本科计算机科学的学生调查的影响,两种常见类型的测试气味,即断言轮盘赌和渴望测试,对学生的能力,调试和故障排除测试用例失败。我们的研究结果表明,当相关测试用例中存在气味时,学生需要更长的时间来纠正生产代码中的错误,特别是断言轮盘赌。我们设想我们的研究结果支持学术界更好地为学生提供编写和维护高质量测试用例的知识和资源。我们的实验材料可在线获取:https://wajdialjedaani.github.io/testsmellstd/
2023-03-07 cs.SE
Structural Verification for Reliable EDA Code Generation without Tool-in-the-Loop Debugging
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Intel Corporation(英特尔公司)
本文提出通过强制执行结构正确性来提高EDA代码生成的可靠性与效率,采用结构依赖图作为显式执行合同,并通过验证引导合成框架进行图条件检索、约束生成和分阶段预执行验证,从而在单步和多步任务中显著提升通过率。
2026-04-20 cs.SE cs.SY eess.SY
SemCoder: Training Code Language Models with Comprehensive Semantics Reasoning
Columbia University(哥伦比亚大学)
针对代码大语言模型缺乏深层语义理解的问题,提出独白推理策略和PyX语料库,训练出67亿参数的SemCoder,在多项代码任务上性能媲美甚至超过GPT-3.5-turbo,还可提升调试与自优化能力。
2024-10-31 cs.AI cs.CL cs.SE