研究笔记
使用生成模型进行局部代码修改
在保留完成所需代码变更自由度的同时，避免生成模型无谓地重写整个函数，并共同验证编辑局部性、任务成功与生成多样性。
直接回答
如何让生成模型修改代码而不重写整个函数？
在生成之前定义受保护区域与可编辑区域，复用或约束受保护表示，只生成候选变更，并拒绝任何修改受保护代码或未通过任务检查的输出。必须同时衡量局部性和任务成功。
为什么这一区分重要
方法采用的边界必须与所声称的保证对应同一个可观察属性。
局部代码修改是编辑问题，而不只是一个更短的代码生成提示。输入中已经包含值得保留的软件工件，因此方法必须明确划分允许变化的区域，以及必须保持稳定的属性。
边界可以是源代码片段、语法节点、API 签名、测试行为、依赖契约或学习得到的潜在位置。这些选择并不等价：每一种边界保护不同的可观察属性，也需要与之匹配的验证步骤。
实用步骤
声明保持契约
明确可编辑区域，以及必须保持不变的文本、结构、接口或行为。
选择最窄但足够的控制界面
根据需要保护的属性，复用未变源代码、采用填空式或编辑式解码、施加形式约束，或锁定选定的潜在位置。
只在允许变化的位置生成
在可编辑区域内保留足够自由度以完成任务；复制全部输入虽然局部，但没有完成任何修改。
同时验证局部性与成功
拒绝修改受保护区域、无法解析或编译、违反结构不变量，或者没有完成所请求变更的候选结果。
应要求哪些证据
主张的强度取决于生成或解码后真正被测量的属性。
- 直接测量可编辑区域之外的 diff，或采用另一种受保护区域稳定性指标。
- 测量可编辑区域内的任务成功。
- 根据场景执行解析、编译、测试、静态检查或任务专用不变量验证。
- 报告可编辑区域的变化率，避免把原样复制误认为控制能力。
- 报告候选唯一性和重复运行差异，避免把局部性与模式坍塌混为一谈。
相关研究实际报告了什么
- 相关实验把 64-token 的 Python 函数压缩为分层离散位置，并在部分约束下重新生成选定的潜在位置。
- 锁定四个顶层码后，解析率从 0.453 提高到 0.591；未锁定位置的变化率为 0.936，条件样本仍有 0.998 的唯一率。
- 这些测量揭示了 token 之上的稳定性—自由度权衡，但不能证明源代码片段、AST、语义或行为被精确保留。
适用边界
- 被锁定的潜在码不会自动对应 AST 节点、受保护源代码片段或形式不变量。
- 解析率只说明语法可解析，不能证明功能正确或修复成功。
- 报告的证据来自经过预处理的短 Python 函数，不能推导出仓库级行为。
主要与邻近来源
请使用链接论文查阅原始方法、测量结果和作者声明的局限。
- Inspectable Control for Structure-Preserving Software Regeneration
主要论文及其有边界的分层潜在实验。
- PAFT: Preservation Aware Fine-Tuning for Minimal-Edit Program Repair
在程序修复训练中显式强调保持与最小修改。