Enhancing AI-Generated Code Accuracy: Leveraging Model-Based Reverse Engineering for Prompt Context Enrichment
Amélioration de la précision du code généré par l’IA : exploitation de l’ingénierie inverse basée sur les modèles pour l’enrichissement du contexte des invites
Résumé
Large Language Models (LLMs) have shown considerable promise in automating software development tasks such as code completion, understanding, and generation. However, producing high-quality, contextually relevant code remains a challenge, particularly for complex or domain-specific applications. This paper presents an approach to enhance LLM-based code generation by integrating model-driven reverse engineering to provide richer contextual information. Our findings indicate that incorporating unit tests and method dependencies significantly improves the accuracy and reliability of generated code in industrial projects. In contrast, simpler strategies based on method signatures perform similarly in open-source projects, suggesting that additional context is less critical in such environments. These results underscore the importance of structured input in improving LLM-generated code, particularly for industrial applications.
Les grands modèles de langage (LLM) se sont révélés très prometteurs pour l'automatisation des tâches de développement de logiciels telles que l'achèvement, la compréhension et la génération de code. Cependant, la production d'un code de haute qualité et contextuellement pertinent reste un défi, en particulier pour les applications complexes ou spécifiques à un domaine. Cet article présente une approche visant à améliorer la génération de code basée sur le LLM en intégrant la rétro-ingénierie pilotée par les modèles afin de fournir des informations contextuelles plus riches. Nos résultats indiquent que l'incorporation de tests unitaires et de dépendances de méthodes améliore de manière significative la précision et la fiabilité du code généré dans les projets industriels. En revanche, des stratégies plus simples basées sur les signatures de méthodes donnent des résultats similaires dans les projets open-source, ce qui suggère qu'un contexte supplémentaire est moins critique dans ces environnements. Ces résultats soulignent l'importance de l'entrée structurée dans l'amélioration du code généré par LLM, en particulier pour les applications industrielles.