在大模型时代，高质量的代码生成已经强大到，让人惊叹。
从通过HumEval中67%测试的GPT-4，到近来各种开源大模型，比如CodeLlama，有望成为码农编码利器。
然而，现实中，程序员们不会精炼表达需求，因此误导、限制了LLM生成优秀代码的能力。
说白了，大模型代码能力行不行，取决于你的提示妙不妙。
对此，来自北大实验室的研究团队提出了，通过与LLM聊天来细化需求的方法——ChatCoder。
论文地址：https://arxiv.org/pdf/2311.00272.pdf
具体来说，他们设计了一种聊天方案，大模型引导用户细化需求表达，进而比以前更精确、更完整，同时提高了大模型的性能。
大模型是「码农」，你就是「产品经理」
这里先举个例子，如下图，用户提出了需求：
数据集#MBPP/443，要求ChatGPT编写一个python函数从给定的列表中找到「最大的负数」。
基于原始需求，ChatGPT生成一个程序，该程序可以正确提取实际值最大的负数。
然而，sanitized-MBPP的作者认为「最大负数」应该是指「绝对值最大的数」。
因此由于「最大」这个表达不明确，导致LLM生成了错误的代码。
而这里，可以通过需求细化（requirements refinement）来解决这个问题。
需求细化就是揭示需求中的隐含依赖和隐藏结构的过程。通过提供更多细节，在需求细化的过程中可以补充不完整的信息，消除模糊不清的地方。
在前面举的例子中，我们可以简单地向大语言模型说明「最大的」在这里特指「绝对值最大的」，揭示了「最大」这个词的隐藏结构。
有了这一改进后的需求，大模型就可以生成符合MBPP作者期望的代码。
不得不提的是，需求细化，需要人类用户和大模型的协作。
一般来说，在需求工程的背景下，需求细化是通过软件供应商（编码人员）和软件客户（用户）之间的一系列交互来执行的。
软件供应商分析客户需求的初始表达，并提出细化点。软件客户则需要根据这些点来作出响应,供应商才能完成一轮需求细化。
无论是软件客户还是软件供应商，任何一方都不具备单独进行需求细化的资格。
这样的劣势在于，客户通常不够了解软件设计和开发过程，无法撰写可用的需求说明；而供应商通常也不够了解客户的问题和业务领域，无法为满意的系统制定需求。
而现在，在大模型时代，人类用户是客户，LLM是「供应商」。
为了通过需求细化让大模型生成更好地满足用户需求的代码，就需要研发人类和LLM协作的方法。
ChatCoder：聊天细化，生成代码
北大提出了ChatCoder，这是通过聊天进行需求细化的大模型代码生成的新方法。
整体框架如下图，非常简洁，通过聊天来辅助LLM和人类在需求细化方面的协作。
关键是，如何与大型语言模型聊天。
ChatCoder便提供了一个全新的聊天模式，其设计灵感来自IEEE SRS。
接下来，我们具体看下ChatCoder这个框架。
其整体结构是一个两轮的对话。
第一阶段：Paraphrase和Exend
由于人类用户表达需求可能语意模糊、不完整，ChatCoder使用提示要求LLM从几个角度解释用户的原始需求，即完整的需求规范必须清晰。
对于需要改进的遗漏或有野心的论点，ChatCoder让大语言模型基于它从训练数据中获得的假设来扩展它们。
人类用户需要查看细化的规范并纠正其中的错误。
第二阶段：Going-deep和Loop-back
在这一轮中，ChatCoder要求LLM询问人类用户，关于第一轮Paraphrase和Exend中信息损失，以及需要进一步改进的规范方面的困惑。
人类用户需要回答这些问题，并回环纠正细化后的规范。
经过两轮细化后，得到细化后的需求，然后发送给大型语言模型，得到用户想要的程序。
ChatGPT代码能力10%
实验设置
数据集：Sanitized-MBPP、HumanEval。
基准：gpt-3.5-turbo、gpt-4。
研究问题
为了评估ChatCoder，研究人员提出并测试了以下研究问题：
1）与现有代码生成模型相比，ChatCoder的表现如何？
2）ChatCoder是LLM和人类用户交流以进行需求细化的有效方法吗？
3）人类参与ChatCoder带来了多少改进？
ChatCoder性能表现
首先我们来看第一个问题，主要是为了评估ChatCoder与基线相比的整体代码生成性能。
如表1所示，ChatCoder通过大幅细化的需求，成功帮助LLM提高了其生成程序的执行精度。
例如，对于gpt-3.5-turbo，其在Saniticed-MBPP上的pass@1从57.04%提高到71.25%，提升了14%。
横向比较，对于gpt-3.5-turbo和gpt-4，Saniticed-MBPP上的性能改进比HumEval上的更突出。
沟通效率的表现
第二个问题是，评估ChatCoder是否是大模型和人类进行需求细化交流的有效方式。
根据表2，所有3种与LLM进行需求细化的通信方法都有助于LLM改进其代码生成结果。
这一发现指出，任何形式的需求细化在应用LLM生成代码时都是有用和重要的。
与ChatCoder相比，Free Paraphrase和Free QA不会指示LLM执行某些类型的细化，从而导致较低的改进。
人工干预评估
如下评估了人工干预对ChatCoder的重要性，结果见表3。
由于ChatCoder利用需求细化来提高大语言模型的代码生成性能，因此人工干预是必要的，也是不可忽视的。
ChatCoder的过程是从给定的角度揭示需求的内部结构，这些角度没有明确表达，即使有歧义。解决歧义的答案只有人类用户知道。
案例研究
如下，作者提出了几个真实的测试用例，说明ChatCoder如何帮助LLM生成具有细化需求的代码。
由于页面限制，研究人员从MBPP中选择了3个案例，涵盖了关于输入、输出和目的的细化，因为它们直接影响功能需求。
