[Paper] AlignCoder：将检索与目标意图对齐以实现仓库级代码补全

Source: arXiv - 2601.19697v1

概览

仓库级代码补全对现有代码大语言模型（code LLM）仍然是一个挑战，因为它们对仓库特定上下文和领域知识的理解有限。虽然检索增强生成（RAG）方法通过检索相关代码片段作为跨文件上下文展示了潜力，但它们存在两个根本性问题：

1. 检索过程中的查询与目标代码之间不对齐。
2. 现有检索方法无法有效利用推理信息。

为了解决这些挑战，我们提出 AlignCoder，一个仓库级代码补全框架，提出了：

• 查询增强机制：生成多个候选补全以构建增强查询，弥合初始查询与目标代码之间的语义鸿沟。
• 基于强化学习的检索器训练方法：训练 AlignRetriever，利用增强查询中的推理信息实现更准确的检索。

我们在两个广泛使用的基准（CrossCodeEval 和 RepoEval）上，对五种主流代码 LLM 进行评估，显示在 CrossCodeEval 基准上相较于基线提升了 18.1 % 的 EM 分数。结果表明该方法在不同代码 LLM 和编程语言之间具有出色的性能和高度的通用性。

关键贡献

• cs.SE
• cs.AI

方法论

请参阅完整论文获取详细的方法论。

实际意义

本研究有助于推动 cs.SE 的发展。

作者

• Tianyue Jiang
• Yanli Wang
• Yanlin Wang
• Daya Guo
• Ensheng Shi
• Yuchi Ma
• Jiachi Chen
• Zibin Zheng

论文信息

• arXiv ID: 2601.19697v1
• 分类: cs.SE, cs.AI
• 发布日期: 2026 年 1 月 27 日
• PDF: Download PDF