软件学报

作者：董益宏，姜雪，钱家如，王天，张克驰，金芝，李戈

单位：董益宏，高可信软件技术教育部重点实验室 (北京大学), 北京 100871;北京大学 计算机学院, 北京 10087111,姜雪，高可信软件技术教育部重点实验室 (北京大学), 北京 100871;北京大学 计算机学院, 北京 10087102,钱家如，高可信软件技术教育部重点实验室 (北京大学), 北京 100871;北京大学 计算机学院, 北京 10087103,王天，高可信软件技术教育部重点实验室 (北京大学), 北京 100871;北京大学 计算机学院, 北京 10087104,张克驰，高可信软件技术教育部重点实验室 (北京大学), 北京 100871;北京大学 计算机学院, 北京 10087105,金芝，高可信软件技术教育部重点实验室 (北京大学), 北京 100871;北京大学 计算机学院, 北京 10087106,李戈，高可信软件技术教育部重点实验室 (北京大学), 北京 100871;北京大学 计算机学院, 北京 10087107

关键词：代码生成;软件开发;大语言模型;大语言模型智能体;多智能体系统

基金：国家自然科学基金 (62192733, 62192730, 62192731); 国家重点研发计划 (2023YFB4503801); 湖北省重大项目(JD2023BAA024); 北京市重大科技项目 (Z251100008425005)

基于大语言模型的代码生成智能体正在深刻地变革软件开发范式. 相较于之前的代码生成技术, 代码生成智能体展现出3大核心特征: 首先是自主性, 智能体能独立执行从任务分解到编码、调试的完整工作流; 其次是任务范围的广泛性, 其能力从生成代码片段扩展至覆盖软件开发的全生命周期; 最后是工程实践性的增强, 研究重心从模型算法创新转向流程管理、系统可靠性与工具集成等工程挑战. 近年来, 这一技术方向发展迅猛, 展现出巨大的应用潜力, 相关研究呈爆发式增长. 为此, 对基于大语言模型的代码生成智能体领域进行系统性的综述. 追溯该技术自诞生以来的发展脉络, 全面梳理并从方法论的视角对其核心技术(涵盖单智能体与多智能体系统)进行归纳和分类. 此外, 还总结代码生成智能体在软件开发全周期中的各项应用, 整理主流的评估基准与指标, 并盘点代表性的工具. 最后, 通过分析关键挑战, 展望该领域未来的长期核心研究方向.

来源：2026年第8期

《软件学报》期刊编辑部

查看软件学报杂志2026年第8期