Date: November 17-20, 2025

Location: Seoul, South Korea

---

会议概况

ASE（Automated Software Engineering）是软件工程领域的顶级国际会议，2025年会议在韩国首尔举办。本次会议聚焦于AI时代软件工程的全栈自动化技术，涵盖了AI4SE/SE4AI、自主系统、程序分析与修复、仓库挖掘、正式方法等前沿方向。

会议基本信息

• 会议名称: 第30届自动化软件工程国际会议 (ASE 2025)
• 举办地点: 韩国首尔
• 参会人数: 接近1000人
• 中国参与度: 接受论文数量最多，占比58.6%

---

近五年大会主题分析

主题演变趋势

年份	大会主题	核心技术方向
ASE 2025	AI时代的软件工程全栈自动化	AI4SE/SE4AI、自主系统、程序分析/修复、仓库挖掘、正式方法强化
ASE 2024	AI驱动SE + 可持续性	AI-for-SE、云/移动/区块链，软件伦理、经济与绿色软件
ASE 2023	自动化全谱持续推进，强化人因	程序分析/生成 + 协作开发、程序理解、可视化
ASE 2022	传统SE自动化核心加强，与AI深度融合	测试、程序修复、MDE、DevOps、形式验证
ASE 2021	自动化测试、程序分析与AI辅助工程的基础巩固期	重构、调试、形式方法

关键趋势洞察

1. AI4SE从弱到强的演进：

• 2021年：AI技术开始试探性应用
• 2023年：AI技术成为主流研究方向
• 2025年：AI技术成为大会绝对核心

1. 传统技术持续深化：

• 程序分析、自动修复、自动生成等技术保持持续热度
• 成为ASE会议的技术基石和创新源泉

1. 正式方法回归重点：

• 随着AI系统与复杂软件的可靠性需求增加
• 形式化验证和安全性分析重新成为研究热点

1. 人因工程地位上升：

• LLM技术推动"AI+人类协同开发"模式
• 人机协作成为软件工程的重要发展方向

---

2025年会议数据统计

投稿与接受情况

• 投稿数量: 持续增长趋势
• 中国地区表现: 接受论文数量最多，占比58.6%
• 参会规模: 接近1000人，体现了会议的国际影响力

研究热点关键词

• 代码: 代码质量、代码生成、代码分析
• 测试: 自动化测试、测试生成、测试优化
• 大模型: LLM应用、AI辅助开发、智能代码生成

可视化数据展示

---

论文研究热点

主要研究方向概览

本次会议论文主要集中在以下几个热点方向：

1. 代码质量与测试

• 自动化代码修复技术
• 智能代码审查系统
• 漏洞检测与安全分析
• 软件测试自动化

2. 代码生成技术

• 基于大模型的代码生成
• 代码上下文压缩优化
• 错误导向的代码生成
• 代码编辑加速技术

3. 软件工程智能体

• 软件智能体框架设计
• 面向软件场景的LLM后训练
• 真实世界软件问题解决

4. 程序分析与理解

• 后续代码编辑预测
• 代码执行轨迹分析
• 软件演化模式识别

---

代码质量与测试研究

研究内容

随着软件复杂度的不断增加，传统的人工代码质量保证方法已难以满足需求。AI技术的发展为自动化代码质量保证提供了新的解决方案。

---

BitsAI-Fix: LLM-Driven Approach for Automated Lint Error Resolution in Practice（字节）

动机: 成千上万的技术债务直接让大模型修复时，经常出现"修坏了"或者"修多了"的问题，影响修复效果和可靠性。

方法:

1. 上下文提取: 先用静态工具提取代码上下文、依赖关系，为模型提供更完整的信息
2. 环境验证: 使用实际的代码运行环境检查修复是否成功，确保通过编译验证
3. 人工确认: 只有成功通过编译的修复才会推给人类确认
4. 持续优化: 收集线上成功、失败案例，通过强化学习训练模型

效果:

• 支持超过5,000名工程师
• 解决了12,000多条静态分析问题
• 修复准确率约为85%
• 每周活跃使用者约1,000

---

iCodeReviewer: Improving Secure Code Review with Mixture of Prompts（华为）

动机: 现有的代码审查工具要么漏报（未能发现实际问题），要么误报（报告大量假阳性问题），影响开发效率。

方法:

1. 专家分类: 根据代码特征自动分类问题类型

• 指针操作 → 内存专家
• 数据库操作 → SQL注入专家

1. 专业检查: 不同专家使用专门设计的检查清单
2. 意见汇总: 综合多个相关专家的意见生成最终评审结果

效果:

• F1值达到63.98%
• 相比直接使用GPT-4高出30%的准确率
• 显著降低了误报率和漏报率

---

LAURA: Enhancing Code Review Generation with Context-Enriched Retrieval-Augmented LLM（中国科学院大学）

动机: 现有的AI代码评审（Code Review）经常生成无关紧要的评论，或者无法理解Pull Request的背景和意图。

方法:

1. 背景补全: 读取PR标题、描述、Commit信息，全面理解变更背景
2. 历史学习: 搜索历史代码变动，学习资深程序员的评审模式
3. 结构化思考: 强制AI按照"理解意图 → 找问题 → 给建议"的步骤进行推理

效果: 通过人工评审验证，历史审查例子显著增强了AI评审的质量和相关性。

---

研究趋势分析

趋势一：LLM与程序分析深度融合

• 挑战: LLM仅凭仓库代码难以满足高可靠性需求
• 解决方案: 程序分析（静态/动态）提供可验证的语义信息
• 目标: 形成"可验证的测试AI"，确保AI生成结果的正确性

趋势二：自动化修复进入"闭环"阶段

• 演进: 从"手工修复代码"迈向"自动修复与自动判定"
• 技术支撑: 利用可运行、可观测的沙盒系统
• 优势: 获得更为可靠的修复结果，减少人工干预

趋势三：审查方法细分专业化

• 问题: 单一方向审查准确度低下、误报率高
• 对策: 深入具体子领域（加密漏洞、空指针等）
• 效果: 取得更细致的审查和更好的效果

---

代码生成技术进展

研究内容

代码生成是AI在软件工程领域应用的重要方向，如何提高生成代码的质量、效率和准确性是当前研究的重点。

---

Learning Project-wise Subsequent Code Edits via Interleaving Neural-based Induction and Tool-based Deduction （TRAE）

动机：后续代码编辑预测，即修改了代码A后，预测仓库中其他需要修改的代码

主要方法：

• 编辑组合触发器（神经网络分类器）： 判断是否需要使用预定义工具组合直接定位修改点
• 编辑定位器（掩码语言模型）：预定义一些行内和行间的操作，比如这一行是否需要修改、删除。预测下一步需要修改的地方
• 最后生成器生成预测修改代码

问题：中间的错误可能会累积，比如神经网络的预测不一定准确

LongCodeZip: Compress Long Context for Code Language Models（上交）

动机: 传统RAG检索到的上下文过长，影响大模型的处理效率和生成质量。需要一种有效的上下文压缩方法。

方法:

1. 函数级压缩: 用困惑度评价每个函数的重要性，筛选关键函数
2. 代码段级压缩: 继续用困惑度筛选函数中的重要代码片段
3. 智能生成: 基于压缩后的上下文生成代码

优势:

• 有效压缩上下文，保持生成效果接近不压缩情况
• 提高大模型处理长代码的效率
• 减少计算资源消耗

局限:

• 压缩过程需要额外时间
• 可能筛选掉部分有用代码
• 在某些场景下可能不需要压缩

---

FGIT: Fault-Guided Fine-Tuning for Code Generation（浙大）

动机: 在代码生成过程中，某些特定模式的错误频繁出现，需要针对性优化。

方法:

1. 数据收集: 获取指令和正确代码样本
2. 错误构建: 人为构建常见错误代码模式
3. 错误标记: 对错误代码位置进行特殊标记
4. 加权训练: 训练时对易错位置给予更高权重

技术创新:

• 首次将错误导向的思想应用于代码生成
• 提高模型对易错点的关注度
• 减少常见错误的发生频率

局限:

• 对比方法相对陈旧（GPT-3.5）
• 需要更多最新模型的对比验证

---

EFFICIENTEDIT: Accelerating Code Editing via Edit-Oriented Speculative Decoding（北航）

动机: 代码编辑是软件开发的核心活动，如何提高代码编辑的效率具有重要意义。

方法:

1. 小模型快速生成: 先用小模型生成多个token
2. 大模型验证优化: 然后让大模型验证准确性
3. 迭代生成: 循环迭代直到生成完整输出

技术创新:

• 将推测解码（Speculative Decoding）技术应用到代码生成
• 平衡生成速度和质量
• 显著提升代码编辑效率

---

Demystifying LLM-based Software Engineering Agents

报告人: 张令明教授（特邀嘉宾）

报告核心内容

张令明教授在keynote报告中深入讨论了软件工程智能体的发展历史和最新趋势，介绍了在智能体框架设计和面向软件场景的LLM后训练方面的重要工作。

总体设计理念

• 更真实的场景: 基于实际软件开发环境
• 更聚焦的问题: 针对具体软件工程任务
• 更复杂的环境交互: 模拟真实开发过程
• 深度理解关联: 学习软件、代码及工程师之间的关系

---

Agentless: Demystifying LLM-based Software Engineering Agents

核心思想

LLM不负责复杂的计划（planning）和工具操作，避免了agent-based方法中"决策空间太大/迭代过深"的问题，属于高度任务定制化的固定智能体。

三阶段处理流程

1. 问题定位阶段

• 确定bug或问题所在的文件、类、函数、具体代码行
• 结合LLM能力和传统信息检索（IR）方法
• 提高问题定位的准确性和效率

1. 补丁生成阶段

• 基于定位好的位置生成多个候选补丁
• 输出格式为简单的diff，而非重写整个代码文件
• 确保修复的精确性和可理解性

1. 测试验证阶段

• 生成重现测试（LLM参与测试生成）
• 运行测试和回归测试
• 对候选补丁进行排序和筛选

---

SWE-RL: Advancing LLM Reasoning via Reinforcement Learning on Open Software Evolution

主要思想

利用真实软件演化数据（issue-代码-patch轨迹）构造基于规则奖励的强化学习信号，对LLM进行面向软件工程场景的后训练。

技术实现

1. 基础模型: 在Llama3基础上进行优化
2. 数据构建: 使用开源项目的issue、代码上下文与真实补丁
3. 奖励设计: 轻量级相似度奖励（rule-based reward）
4. 学习目标: 端到端推理过程（问题分析 → 代码定位 → 生成修复patch）

预期效果

使模型学会开发者式的推理与补丁生成能力，大幅提升真实GitHub issue的解决率。

---

CWM: An Open-Weights LLM for Research on Code Generation with World Models

核心理念

通过"代码世界建模"，让模型学习代码执行轨迹和环境交互，提升在软件工程任务上的表现。

四阶段训练流程

1. 预训练阶段: 基础语言模型训练
2. 中期训练阶段:

• 使用大量Python解释器执行轨迹
• 容器环境中的observation-action交互数据
• 让模型理解"代码执行如何改变程序状态"

1. 监督微调阶段:

• 针对特定任务进行微调
• 优化模型在具体场景的表现

1. 强化学习阶段:

• 在多任务软件工程环境中优化
• 数学和代码生成环境中的进一步提升

---

研究趋势分析

趋势一：AI与软件工程深度融合

技术演进路径

• 初级阶段: AI辅助工具，提高开发效率
• 中级阶段: AI驱动的自动化系统，减少人工干预
• 高级阶段: 自主软件工程智能体，具备独立决策能力

关键技术突破

• 大模型在代码理解和生成方面的能力提升
• 程序分析技术与AI的结合
• 真实开发环境的模拟和建模

趋势二：软件工程智能化程度不断提升

自动化水平演进

• 代码生成: 从模板化到智能化
• 测试自动化: 从单元测试到端到端测试
• 代码修复: 从简单修复到复杂问题解决

智能化特征

• 自我学习和持续优化能力
• 上下文理解和推理能力
• 多任务协同处理能力

趋势三：真实场景驱动的研究

研究方法论变化

• 从实验室环境转向真实开发环境
• 从人工数据集转向真实项目数据
• 从单一任务转向复杂场景

技术挑战

• 处理真实世界的复杂性和不确定性
• 确保AI系统的可靠性和安全性
• 平衡自动化和人工干预

---

总结与展望

会议主要成果

技术创新亮点

1. AI4SE技术成熟: AI技术在软件工程领域的应用达到新高度
2. 自动化水平提升: 从辅助工具向自主智能体演进
3. 真实场景验证: 研究更加贴近实际开发需求
4. 跨领域融合: 程序分析、AI、形式化方法的深度结合

研究趋势总结

• 智能化程度不断提升: AI技术从辅助工具发展为智能伙伴
• 自动化范围持续扩大: 覆盖软件开发全生命周期
• 可靠性要求日益严格: 特别是在安全关键领域
• 人机协作模式优化: 探索最佳的人机协作方式

对产业发展的影响

技术变革

• 软件开发效率大幅提升
• 软件质量和可靠性显著改善
• 开发成本有效降低

人才需求变化

• 对AI技术的需求增加
• 传统开发技能的转型升级
• 跨学科人才的需求增长

产业生态重构

• 新的工具和平台涌现
• 软件开发流程的重新设计
• 新的商业模式和服务模式

结语

ASE 2025会议展示了AI时代软件工程的最新发展成果，预示着软件工程正进入一个智能化、自动化的新时代。

---

本报告基于ASE 2025会议资料整理而成，旨在总结会议主要成果和研究趋势，为相关研究和实践提供参考。