软件学报

作者：张犬俊，谢杨，房春荣，虞圣呈，赵源，陈振宇

单位：张犬俊，计算机软件新技术全国重点实验室 (南京大学), 江苏 南京 210093;南京大学 软件学院, 江苏 南京 21009311,谢杨，计算机软件新技术全国重点实验室 (南京大学), 江苏 南京 210093;南京大学 软件学院, 江苏 南京 21009302,房春荣，计算机软件新技术全国重点实验室 (南京大学), 江苏 南京 210093;南京大学 软件学院, 江苏 南京 21009303,虞圣呈，计算机软件新技术全国重点实验室 (南京大学), 江苏 南京 210093;南京大学 软件学院, 江苏 南京 21009304,赵源，计算机软件新技术全国重点实验室 (南京大学), 江苏 南京 210093;南京大学 软件学院, 江苏 南京 21009305,陈振宇，计算机软件新技术全国重点实验室 (南京大学), 江苏 南京 210093;南京大学 软件学院, 江苏 南京 21009306

关键词：检索增强生成;软件工程;大语言模型

基金：国家自然科学基金(U24A20337, 62372228); 中央高校基本科研业务费专项资金(14380029)

检索增强生成(retrieval-augmented generation, RAG)通过融合信息检索与语言生成模型, 显著提升代码生成、补全、程序修复等软件工程下游任务的性能. 随着RAG在软件工程领域的迅速发展, 研究者难以全面掌握其最新的进展、面临的挑战及未来的潜在机遇. 为此, 系统性地综述2021–2024年间RAG在软件工程中的应用, 围绕RAG的核心架构及其在软件工程中的应用, 对108篇相关高质量研究进行汇总与深入分析. 首先, 探讨软件工程领域中RAG架构的关键组成部分, 详细总结检索器和生成器的通用分类, 并概述二者的集成方式. 其次, 重点分析RAG在各类软件工程下游任务中的应用, 包括代码生成、测试生成、程序修复等, 梳理其在不同任务场景下的实践方法与技术趋势. 最后, 讨论当前RAG应用所面临的挑战, 涉及知识库构建、检索和生成这3个阶段, 并探讨未来的研究方向与潜在发展路径. 总体而言, 为软件工程社区提供一份全面的RAG研究综述, 旨在帮助研究者系统了解现有成果, 洞察关键问题, 并推动该领域的进一步发展.

来源：2026年第3期

《软件学报》期刊编辑部

查看软件学报杂志2026年第3期