# هوش مصنوعی چگونه می‌تواند بدون بازتولید کل برنامه، کد را ویرایش کند؟

Canonical HTML: https://aogavrilov.com/fa/projects/discrete-latent-generation/

Document language: fa

راهنمای پژوهشی عملی برای اصلاح موضعی کُد با مدل‌های مولد: چه چیزی باید ثابت بماند، چه چیزی می‌تواند تغییر کند و پیش از ساختارحافظ خواندن یک تبدیل، چه شواهدی لازم است.

منتشرشده 25 ژوئیهٔ 2026 به‌روزشده 30 ژوئیهٔ 2026 [Alexey Gavrilov](https://aogavrilov.com/about/)

## مسئله در واقع چیست

ویرایش کُد صرفاً تولید کُد با یک پرامپت کوتاه‌تر نیست. ویرایشگر یک مصنوع موجود، تغییری موردنظر و قراردادی ضمنی برای حفظ دریافت می‌کند. ازاین‌رو، پرسش محوری دو وجه دارد: **کدام ناحیه می‌تواند تغییر کند و کدام ویژگی‌های بخش‌های دیگر باید پایدار بمانند؟**

این راهنما برای خوانندگان برخوردار از سواد فنی تدوین شده است که به حوزهٔ ویرایش نرم‌افزار به کمک هوش مصنوعی وارد می‌شوند. راهنما تصور شهودیِ ویرایش موضعی را از ادعاهای قوی‌تر دربارهٔ حفظ نحوی، ساختاری، معنایی و کارکردی متمایز می‌کند.

## ایدهٔ اصلی

یک ویرایشگر کران‌مند، افزون بر هدف تولید، به مرز حفاظت صریح نیاز دارد.

### چه چیزی باید ثابت بماند

این مورد می‌تواند گستره‌ای متنی، دستور زبان، امضای API، ناحیه‌ای از AST، رفتار آزمون، قرارداد وابستگی یا بازنمایی درشتِ آموخته‌شده باشد. هر انتخاب، برداشت متفاوتی از پایداری را محافظت می‌کند.

### چه چیزی می‌تواند تغییر کند

ناحیهٔ ویرایش‌پذیر برای حل وظیفهٔ درخواستی به آزادی کافی نیاز دارد. روش کنترلی که همه‌چیز را رونویسی کند پایدار اما بی‌فایده است؛ روشی که همه‌چیز را بازنویسی کند، آزادی را بدون محلی‌بودن فراهم می‌آورد.

## مدلی شهودی: یک اتاق را نوسازی کنید، ساختمان را حفظ کنید

تصور کنید یک اتاق را بازسازی می‌کنید، بی‌آنکه به سازهٔ باربر، اتصالات لوله‌کشی و اتاق‌های مجاور آسیبی برسد. تولید کامل دوباره مانند آن است که خانه را صرفاً بر پایهٔ توصیفی کلامی از نو بسازیم. در مقابل، ویرایش موضعی ساختار حفاظت‌شده را علامت‌گذاری می‌کند، محدودهٔ کاری مشخصی می‌گشاید، تغییر را انجام می‌دهد و پیش از پذیرش، نتیجه را بازرسی می‌کند.

**قیاس در کجا اعتبار خود را از دست می‌دهد.** کُد نهفتهٔ آموخته‌شده، نقشهٔ معماریِ گواهی‌شده نیست. ثابت‌کردن یک کُد درشت‌دانه می‌تواند پایداری ساختاریِ سنجیده‌شده را افزایش دهد، اما تضمین نمی‌کند که گره معینی از AST، رفتار یا رابط خاصی بدون تغییر بماند.

## نگاهی دقیق‌تر به بازتولید جزئی

فرض کنید یک رمزگذار، برنامه‌ای را نگاشت کند `x` به یک بازنمایی ساخت‌یافتهٔ نهفته `z` . یک ماسک حفاظت، جایگاه‌ها را انتخاب می‌کند `L` تا ثابت بمانند. مولد تنها از موقعیت‌های مکمل نمونه‌گیری می‌کند و هم‌زمان این قید را اعمال می‌کند: `z'l = zl` برای هر موقعیت قفل‌شده. سپس یک رمزگشا بازنمایی تکمیل‌شده را نگاشت می‌کند `z'` به کُد منبع بازگردند.

این سازوکار، سطح کنترلی بازرسی‌پذیر در سطحی بالاتر از توکن‌ها ایجاد می‌کند. معنای آن همچنان باید به‌صورت تجربی احراز شود: پژوهشگران باید بیازمایند موقعیت‌های قفل‌شده پس از رمزگشایی چه چیزی را حفظ می‌کنند و آیا موقعیت‌های قابل‌ویرایش آزادی کافی دارند.

## گردش‌کار ویرایش چهارمرحله‌ای

1. مرز را مشخص کنید ناحیه‌ها یا ویژگی‌های حفاظت‌شده را مشخص و تغییر موردنظر را تعریف کنید.
2. مصنوع را بازنمایی کنید از متن، نحو، بافت بازیابی یا کُدهای آموخته‌شدهٔ درشت و ریز استفاده کنید.
3. بازتولید گزینشی با حفظ قیود منتخب، تنها از موقعیت‌های ویرایش‌پذیر نمونه‌گیری کنید.
4. پیش از پذیرش، راستی‌آزمایی کنید محلی‌بودن، نحو، ساختار، رفتار و عوارض جانبی ناخواسته را اندازه‌گیری کنید.

## ویرایش کُد، ترمیم برنامه و تولید مقید یک وظیفهٔ واحد نیستند

| رویکرد | هدف اصلی | سازوکار متعارف حفظ | چه مواردی همچنان نیازمند راستی‌آزمایی‌اند |
| --- | --- | --- | --- |
| تولید کامل کد | یک مصنوع کامل تولید کنید | پرامپت و بافت | هر آنچه خارج از تغییر درخواستی است |
| ترمیم خودکار برنامه | یک خطای تشخیص‌داده‌شده را برطرف کنید | مکان‌یابی خطا، آزمون‌ها، الگوها یا وصله‌ها | درستی فراتر از آزمون‌های موجود و کمینه‌بودن وصله |
| مدل‌های تکمیل درون‌متنی یا ویرایش | تغییر نواحی منتخب متن | پیشوند، پسوند، تفاوت یا بافت ویرایشِ قابل‌مشاهده | تغییرات ساختاری و رفتاری ناخواسته |
| رمزگشایی مقید به دستور زبان | خروجی‌ها را در چارچوب یک زبان صوری نگه دارید | حالت‌های رمزگشایی معتبر از نظر دستور زبان | معنای برنامه، درستی وظیفه و موضعی‌بودن تغییر |
| کنترل نهفتهٔ سلسله‌مراتبی | موقعیت‌های آموخته‌شدهٔ منتخب را بازتولید کنید | کدهای نهفتهٔ درشت‌دانه یا ریزدانهٔ قفل‌شده | آن کُدها پس از رمزگشایی چه چیزی را حفظ می‌کنند |

## نحوهٔ سنجش موضعی‌بودن و حفظ ساختار

## کدام سطح کنترل با وظیفهٔ ویرایش تناسب دارد؟

«کل تابع را بازنویسی نکن» یک الزام است، نه روشی کامل. از پیامدی آغاز کنید که باید پیش‌بینی‌پذیر باشد؛ سپس سطح کنترل و شواهد متناسب با آن را برگزینید.

| تضمین مورد نیاز | سطح کنترل متناسب‌تر | شواهدی که باید مطالبه کرد |
| --- | --- | --- |
| بازآرایی رفتارحافظ به کمک هوش مصنوعی | اجازه دهید یک LLM تبدیلی را شناسایی یا پیشنهاد کند؛ سپس، هرجا ممکن بود، آن را با یک موتور بازآرایی قابل‌اعتماد اجرا کنید. بنگرید به [RefactoringMirror](https://arxiv.org/abs/2411.04444) . | کامپایل، آزمون‌ها، بررسی‌های ایستا و تشخیص بازآرایی. [SWE-Refactor](https://arxiv.org/abs/2602.03712) این بررسی‌ها را در سطح مخزن به‌صراحت تعریف می‌کند. |
| تغییر موضعی کد بدون بازنویسی کامل تابع | بازه‌های تغییریافته‌نبودهٔ کد مبدأ را دوباره به کار بگیرید و تنها نواحی نامزد ویرایش را تولید کنید، همانند [EfficientEdit](https://arxiv.org/abs/2506.02780) . | اختلاف بیرون از ناحیه، موفقیت وظیفه، استفادهٔ مجدد از توکن‌های پذیرفته‌شده و اینکه آیا حذف بافت سبب نادیده‌ماندن تغییرات میان‌فایلی می‌شود. |
| تولید مقید کُد برای مهندسی نرم‌افزار | یک ویژگی صوری را هنگام رمزگشایی الزام‌آور کنید، چنان‌که در [انتشار مقید به دستور زبان](https://arxiv.org/abs/2508.10111) ، یا از پیشوندهای معتبر نقطهٔ وارسی بگیرند و فقط تا ناحیهٔ مسئول عقب‌گرد کنند، چنان‌که در [Hydra](https://arxiv.org/abs/2605.15238) . | موفقیت در دستور زبان، کامپایلر یا بررسی‌گر نوع، همراه با آزمون‌های کارکردی، موضعی‌بودن، تأخیر ترمیم و میزان کد معتبر بازتولیدشده. |
| بازتولید گزینشی تابع Python با توازن میان محلی‌بودن و تنوع | موقعیت‌های نهفتهٔ درشت‌دانه یا ریزدانهٔ منتخب را قفل کنید و فقط از باقی موقعیت‌ها نمونه بگیرید. | موضعی‌بودنِ خروجی رمزگشایی‌شده، نحو، ناورداهای ساختاری، آزادی ویرایش، تنوع و عدم‌قطعیت. قفل‌کردن متغیرهای نهفته به‌تنهایی تضمینی برای بازآرایی نیست. |
| تولید پیش‌بینی‌پذیر کُد ذیل یک قرارداد صریح حفظ | پیش از تولید، ویژگی‌های حفاظت‌شدهٔ مشاهده‌پذیر و بررسی‌های قبولی/رد را تعریف کنید؛ سپس محدودترین سازوکاری را برگزینید که بتواند آن‌ها را اعمال یا آشکار کند. | همان ویژگی‌های دقیق را پس از رمزگشایی اندازه‌گیری کنید و نرخ‌های پذیرش، رد و شکست را در اجراهای مکرر گزارش دهید. نمونه‌گیری قطعی به‌تنهایی تضمینی برای حفظ نیست. |

## پرسش‌های پژوهشی که این راهنما پاسخ می‌دهد

این پاسخ‌های موجز، حدود ادعاها و مرز شواهد به‌کاررفته در سراسر این راهنما را روشن می‌کنند.

1. یک مدل مولد چگونه می‌تواند بدون بازنویسی کل تابع، کد را اصلاح کند؟ مرز ویرایش‌پذیر را پیش از تولید تعریف کنید، کُد منبع بیرون از آن را حفظ یا بازاستفاده کنید، فقط تغییرات نامزد را تولید کنید و خروجی‌هایی را که در انجام وظیفه ناموفق‌اند یا نواحی حفاظت‌شده را تغییر می‌دهند، رد کنید. قفل‌کردن متغیرهای نهفتهٔ سلسله‌مراتبی یک سطح کنترل آزمایشی است، اما یکسان‌ماندن گستره‌های کُد منبع را تضمین نمی‌کند. [سطوح کنترلِ ویرایش موضعی را مقایسه کنید](https://aogavrilov.com/fa/projects/discrete-latent-generation/#control-surface) .
2. چه شواهدی نشان می‌دهد ویرایش کُد موضعی است، نه اینکه صرفاً از نظر نحوی معتبر باشد؟ اختلاف بیرون از ناحیهٔ درخواستی را همراه با موفقیت وظیفه، تغییر ناحیهٔ ویرایش‌پذیر، ناورداهای ساختاری، آزمون‌ها یا بررسی‌های ایستا و تغییرپذیری میان اجراهای مکرر اندازه‌گیری کنید. نرخ تجزیه به‌تنهایی فقط خوش‌ساختی نحوی را اثبات می‌کند. [سیاههٔ وارسی شواهد موضعی‌بودن را مرور کنید](https://aogavrilov.com/fa/projects/discrete-latent-generation/#measurement) .
3. میان موضعی‌بودن ویرایش کد و تنوع تولید چگونه باید توازن برقرار کرد؟ پایداری ناحیهٔ حفاظت‌شده را در کنار آزادی در ناحیهٔ ویرایش‌پذیر و یکتایی نامزدها گزارش کنید. کپی‌کردن ورودی می‌تواند پایداری را بیشینه کند، بی‌آنکه وظیفه پیشرفتی داشته باشد؛ بازنویسی نامحدود نیز می‌تواند تغییر را بیشینه کند، اما موضعی‌بودن را از میان ببرد. [شواهد محدودِ پایداری–آزادی را ببینید](https://aogavrilov.com/fa/projects/discrete-latent-generation/#evidence) .
4. ویرایش موضعی کد، تولید مقید و تعمیر برنامه چه تفاوتی با یکدیگر دارند؟ ویرایش موضعی بر آنچه باید بدون تغییر بماند تأکید دارد؛ تولید مقید یک ویژگی صوری خروجی، مانند عضویت در دستور زبان، را اعمال می‌کند؛ و تعمیر برنامه مستلزم آن است که تغییر، مشخصات یک نقص یا وظیفه را برآورده سازد. نحو به‌تنهایی هم‌ارزی معنایی، درستی کارکردی، موفقیت در وظیفه یا موضعی‌بودن را اثبات نمی‌کند. [سه هدف را مقایسه کنید](https://aogavrilov.com/fa/projects/discrete-latent-generation/#comparison) .
5. چگونه می‌توان بخش‌های منتخب یک تابع Python را دوباره تولید کرد، درحالی‌که سایر بخش‌ها پایدار می‌مانند؟ پیش از تولید، نواحی حفاظت‌شده و ویرایش‌پذیر را تعریف کنید؛ فقط بازنمایی ویرایش‌پذیر را تغییر دهید، آن را رمزگشایی کنید و نامزدهایی را رد کنید که کُد حفاظت‌شده را تغییر می‌دهند یا در نحو، آزمون‌ها، بررسی‌های ایستا یا ناورداهای ویژهٔ وظیفه ناموفق‌اند. آزمایش گزارش‌شده با متغیرهای نهفتهٔ سلسله‌مراتبی، پایداری احتمالاتی را روی توابع 64-توکنی می‌سنجد؛ این آزمایش ثابت‌ماندن گستره‌ها یا رفتار را تضمین نمی‌کند. [گردش‌کار بازتولید گزینشی را بررسی کنید](https://aogavrilov.com/fa/projects/discrete-latent-generation/#workflow) .
6. کدام راهبرد کنترل برای بازآراییِ حافظ رفتار به کمک هوش مصنوعی مناسب است؟ از مدل برای شناسایی یا پیشنهاد یک تبدیل استفاده کنید؛ سپس، هرجا ممکن است، آن را با موتور بازآرایی قابل‌اعتماد اجرا کنید و کامپایل، آزمون‌ها، وارسی‌های ایستا و تحقق بازآرایی موردنظر را بسنجید. وصلهٔ تولیدشده‌ای که صرفاً پذیرفتنی به نظر می‌رسد، شاهد کافی نیست. [بازکردن ردیف تصمیم بازآرایی](https://aogavrilov.com/fa/projects/discrete-latent-generation/#control-surface) .
7. چه چیزی تولید کُد را پیش‌بینی‌پذیر می‌کند، نه صرفاً کنترل‌پذیر؟ پیش از انتخاب مولد، قرارداد حفظِ مشاهده‌پذیر و بررسی‌های پذیرش را بیان کنید. پیش‌بینی‌پذیری به آنچه پس از رمزگشایی و راستی‌آزمایی پایدار می‌ماند وابسته است، نه صرفاً به ثابت‌بودن یک پرامپت، نقاب، دستور زبان یا کُد نهفته. [قرارداد حفظ را تعریف کنید](https://aogavrilov.com/fa/projects/discrete-latent-generation/#core-idea) .

## آزمایش کنونی چه چیزی را نشان می‌دهد — و چه چیزی را نشان نمی‌دهد

در [*کنترل بازرسی‌پذیر برای بازتولید نرم‌افزار با حفظ ساختار*](https://aogavrilov.com/fa/publications/inspectable-control/) ، یک VQ-VAE سلسله‌مراتبی توابع ۶۴ توکنی Python را به ۱۶ جایگاه گسستهٔ سطح‌بالا و ۳۲ جایگاه سطح‌پایین نگاشت می‌کند. قفل‌کردن چهار کُد سطح‌بالا، نرخ تجزیه را از **۰٫۴۵۳ تا ۰٫۵۹۱** ، درحالی‌که جایگاه‌های قفل‌نشده همچنان با نرخ **0.936** و یکتایی نمونه‌های شرطی برابر است با **۰٫۹۹۸** .

این یافته شاهدی بر موازنهٔ اندازه‌گیری‌شدهٔ پایداری–آزادی در یک محیط کوچک است. تضمینی برای حفظ دقیق AST، هم‌ارزی معنایی، درستی کارکردی، ترمیم موفق یا رفتار در مقیاس مخزن ارائه نمی‌کند.

مطالعهٔ همراه [*Where Quality Breaks in Compressed Short-Text Generation*](https://aogavrilov.com/fa/publications/where-quality-breaks/) درس ارزیابی مهمی می‌افزاید: بهبود شاخص‌های جانشین فضای نهفته لزوماً خروجی‌های رمزگشایی‌شده را بهتر نمی‌کند. بازنمایی، تولید و رفتار رمزگشایی‌شده باید به‌منزلهٔ مراحلی جداگانه بررسی شوند.

برای یک رویهٔ تصمیم‌گیری بازاستفاده‌پذیر، راهنمای همراه دربارهٔ موضوع زیر را ببینید: [تفکیک زیان کُدک از زیان مولد](https://aogavrilov.com/fa/projects/codec-bottleneck-diagnosis/) .

## برداشت‌های نادرست رایج

### «تجزیه می‌شود، پس درست است.»

تجزیه فقط خوش‌ساختی نحوی را اثبات می‌کند. برنامه همچنان ممکن است آزمون‌ها، قراردادها یا مقصود را نقض کند.

### «یک کُد درشت‌دانه همان یک گره AST است.»

خیر، مگر آنکه هم‌ترازی صریح اثبات شده باشد. کُدهای آموخته‌شده ممکن است چندین عامل صوری و ساختاری را درهم بیامیزند.

### «متغیرهای نهفتهٔ قفل‌شده یعنی متن مبدأ بدون تغییر مانده است.»

رمزگشایی سراسری و آموخته‌شده است. ثابت‌کردن موقعیت‌های نهفته می‌تواند پایداری را افزایش دهد، بی‌آنکه یکسان‌بودن گسترهٔ متن را تضمین کند.

### «تغییر کمتر همیشه بهتر است.»

ویرایشگری که ورودی را کپی می‌کند به پایداری کامل و پیشرفت صفر در کار می‌رسد. موضعی‌بودن و موفقیت ویرایش باید با هم سنجیده شوند.

## مطالعهٔ پیشنهادی بعدی

پژوهش‌های نزدیک از سطوح کنترل متفاوتی استفاده می‌کنند؛ بدون هم‌ترازی با وظیفه، هیچ‌یک را نباید خط مبنایی هم‌ارز و قابل‌جایگزینی دانست.

1. [Self-Edit: Fault-Aware Code Editor for Code Generation](https://arxiv.org/abs/2305.04087) تولید را فرایندی قابل‌ویرایش در نظر می‌گیرد و از خطاهای شناسایی‌شده برای هدایت اصلاح بهره می‌برد.
2. [Coeditor: بهره‌گیری از تغییرات بافتی برای ویرایش خودکار چندمرحله‌ای کُد](https://arxiv.org/abs/2305.18584) به‌جای بازتولید از ابتدا، تغییرات بافت‌مند کُد را در دورهای متوالی ویرایش مدل‌سازی می‌کند.
3. [PAFT: تنظیم دقیق آگاه از حفظ برای ترمیم برنامه با کمینه‌ویرایش](https://arxiv.org/abs/2604.03113) حفظ و کمینه‌بودن تغییر را در آموزش تعمیر برنامه به‌صراحت صورت‌بندی می‌کند.
4. [رمزگشایی مقید LLMهای انتشاری با دستور زبان‌های مستقل از متن](https://arxiv.org/abs/2508.10111) نشان می‌دهد که قیود صوری چگونه می‌توانند هنگام رمزگشایی انتشاری تضمین‌های نحوی فراهم کنند.
5. [یادگیری بازنمایی گسستهٔ عصبی](https://arxiv.org/abs/1711.00937) VQ-VAE را به‌عنوان سازوکار بنیادی بازنمایی‌های نهفتهٔ گسستهٔ آموخته‌شده معرفی می‌کند.
6. [Simple and Effective Masked Diffusion Language Models](https://arxiv.org/abs/2406.07524) چارچوب پخش گسستهٔ نقاب‌دار را ارائه می‌کند که در مطالعهٔ تشخیصی همراه، به‌عنوان مولد نهفته به کار رفته است.
7. [مطالعه‌ای تجربی دربارهٔ ظرفیت LLMها در بازآرایی خودکار نرم‌افزار](https://arxiv.org/abs/2411.04444) بازآرایی‌های ناایمنِ پیشنهادشده از سوی LLM را شناسایی می‌کند و اعمال دوبارهٔ تبدیل‌های تشخیص‌داده‌شده از طریق موتورهای قابل‌اعتماد بازآرایی را می‌سنجد.
8. [SWE-Refactor: A Repository-Level Benchmark for Real-World LLM-Based Code Refactoring](https://arxiv.org/abs/2602.03712) بازآرایی در سطح مخزن را با حفظ رفتار و با استفاده از کامپایل، آزمون‌ها و تشخیص بازآرایی ارزیابی می‌کند.
9. [EfficientEdit: شتاب‌دهی به ویرایش کد با رمزگشایی گمانه‌زنِ ویرایش‌محور](https://arxiv.org/abs/2506.02780) به‌جای تلقی ویرایش به‌عنوان بازتولید خودبازگشتی کامل، قطعه‌های بدون تغییر کد مبدأ را دوباره به کار می‌گیرد و محل ویرایش‌ها را پیش‌بینی می‌کند.
10. [Hydra: Efficient, Correct Code Generation via Checkpoint-and-Rollback Support](https://arxiv.org/abs/2605.15238) برای جلوگیری از بازتولید پیشوندهایی که پیش از وقوع خطا معتبر بوده‌اند، از وارسی ایستا، نقاط وارسی و بازگردانی هدفمند استفاده می‌کند.

## مرور کوتاه

بازتولید موضعی کد، قراردادی است میان **تغییر** و **حفظ** . متغیرهای نهفتهٔ گسستهٔ سلسله‌مراتبی روشی بازرسی‌پذیر برای بیان آن قرارداد فراهم می‌کنند؛ اما این بازنمایی تنها هنگامی سودمند است که برنامه‌های رمزگشایی‌شده از نظر موضعی‌بودن، نحو، ساختار، رفتار، تنوع و عدم‌قطعیت ارزیابی شوند.

## انتشارات در این جهت‌گیری پژوهشی

### [Where Quality Breaks in Compressed Short-Text Generation: Staged Bottleneck Localization](https://aogavrilov.com/fa/publications/where-quality-breaks/)

نقطهٔ فروپاشی کیفیت در تولید متن کوتاهِ فشرده: مکان‌یابی مرحله‌ای گلوگاه

روش‌شناسی تشخیصی FRUCT 39 2026 کنفرانس اصلی

### [Inspectable Control for Structure-Preserving Software Regeneration](https://aogavrilov.com/fa/publications/inspectable-control/)

کنترل بازرسی‌پذیر برای بازتولید نرم‌افزار با حفظ ساختار

روش کنترل در فضای نهفته FSE Companion '26 2026 پوستر همراه