这一次，微软提出的CodePlan让码农的生产力又提高了！
对于大模型来说，擅长的是本地化编码任务。
但如果任务跨越了多个相互依赖的文件，LLM却无法解决。
对此，微软研究人员设计了一个任务无关的神经网络框架，名为CodePlan。
论文地址：https://arxiv.org/pdf/2309.12499.pdf
论文中，CodePlan综合了多步骤编辑链（chain-of-edits），是一种将程序分析、规划和LLM结合在一起的新方法。
一起来具体看看，CodePlan是如何设计的？
CodePlan：大模型+规划
软件工程活动中，例如软件包迁移、修复静态分析或测试的错误报告，以及向代码库添加类型提示或其他规范，涉及到对整个代码存储库的普遍编辑。
研究人员将这些活动规划，为「存储库级别的编码任务」。
随着编码工具如GitHub Copilot、Code Whisperer得到了大模型能力加持，已经为码农在本地化编码问题提供了解决方案。
然而，现实是，「存储库级别的编码任务」更加复杂，不能直接通过LLM解决，因为存储库中的代码是相互依赖的，整个存储库可能太大而无法纳入提示。
这项研究中，微软团队将库级编码框架作为一个规划问题，并提出了一个任务不可知的框架，称为CodePlan。
CodePlan综合了一个多步骤的编辑链（计划） ，其中每一步都会调用代码位置上的LLM。该代码位置上的上下文来自整个存储库、以前的代码更改和特定于任务的指令。
CodePlan是基于增量依赖分析、变更可能影响分析和自适应规划算法的新型组合
