SINH MÃ CÓ NGỮ CẢNH BẰNG MÔ HÌNH NGÔN NGỮ LỚN CHO ANDROID: TỔNG QUAN HỆ THỐNG HƯỚNG PHÂN TÍCH KỸ THUẬT
Từ khóa
DOI:
https://doi.org/10.34238/tnu-jst.14685Tóm tắt
Sinh mã cho ứng dụng Android bằng mô hình ngôn ngữ lớn đặt ra các yêu cầu đặc thù, vì kết quả cần đồng thời phù hợp với nhiều thành phần dự án và ràng buộc của chuỗi công cụ, bao gồm tài nguyên giao diện, tập tin cấu hình, giao diện lập trình ứng dụng và các phản hồi từ môi trường phát triển. Dù nhiều nghiên cứu gần đây cho thấy mô hình ngôn ngữ lớn có tiềm năng hỗ trợ lập trình, việc mô tả và khai thác ngữ cảnh trong miền Android vẫn chưa thống nhất, khiến các kỹ thuật khó được so sánh và cũng khó lý giải vì sao một hệ thống có thể tạo ra kết quả đáng tin cậy khi triển khai thực tế. Bài báo này thực hiện một khảo sát có hệ thống theo hướng tập trung về kỹ thuật sinh mã có ngữ cảnh cho Android và Android Studio. Các công trình được tổ chức theo nguồn ngữ cảnh, cơ chế mã hóa và hợp thành ngữ cảnh phục vụ suy luận, cùng với quy trình sinh mã từ lựa chọn ngữ cảnh đến các bước kiểm chứng. Trên cơ sở đó, khảo sát tổng hợp các mẫu thiết kế thường gặp như đóng gói ngữ cảnh trong chỉ dẫn, biểu diễn cấu trúc mã, cung cấp ngữ cảnh qua truy hồi tăng cường và khai thác phản hồi từ môi trường phát triển, đồng thời thảo luận các đánh đổi về mức liên quan, chi phí và độ bền vững trước nhiễu.Lượt tải
Tài liệu tham khảo
X. Hou et al., “Large language models for software engineering: A systematic literature review,” ACM Trans. Softw. Eng. Methodol., vol. 33, no. 8, 2024, Art. no. 220, doi: 10.1145/3695988.
J. Jiang, F. Wang, J. Shen, S. Kim, and S. Kim, “A survey on large language models for code generation,” ACM Trans. Softw. Eng. Methodol., vol. 35, 2025, doi: 10.1145/3747588.
D. Shrivastava, H. Larochelle, and D. Tarlow, “Repository-level prompt generation for large language models of code,” in Proc. 40th Int. Conf. Machine Learning (ICML 2023), vol. 202, pp. 31693-31715, 2023.
N.-P. Doan, T.-V. Nguyen, T.-T. Pham, T. T.-H. Nguyen, and X.-K. Pham, “A Systematic Review of Generative AI Applications in UI/UX Design for Mobile Applications,” in Proc. Int. Conf. Advances in Information and Communication Technology (ICTA 2025), vol. 1831, Springer, Cham, 2026, pp. 184-193, doi: 10.1007/978-3-032-18316-3_21.
Y. Li, Y. Peng, Y. Huo, and M. R. Lyu, “Enhancing LLM-Based Coding Tools through Native Integration of IDE-Derived Static Context,” in Proc. 1st Int. Workshop on Large Language Models for Code (LLM4Code 2024), Lisbon, Portugal, 2024, pp. 70-74, doi: 10.1145/3643795.3648392.
F. Zhang et al., “RepoCoder: Repository-level code completion through iterative retrieval and generation,” in Proc. EMNLP 2023, Singapore, 2023, pp. 2471-2484, doi: 10.18653/v1/2023.emnlp-main.151.
X. Yu, C. Li, M. Pan, and X. Li, “DroidCoder: Enhanced Android code completion with context-enriched retrieval-augmented generation,” in Proc. ASE '24, 2024, pp. 681-693, doi: 10.1145/3691620.3695063.
D. N. Phuong, N. T. Phuong, and N. T. Dung, “Reviewing the Role of Artificial Intelligence in Mobile App Creation,” TNU Journal of Science and Technology, vol. 230, no. 07, pp. 288-298, 2025, doi: 10.34238/tnu-jst.12946.
J. Kim, R. Rua, and K. Ali, “BuilDroid: A self-correcting LLM agent for automated Android builds,” in Proc. 40th IEEE/ACM Int. Conf. Automated Software Engineering (ASE 2025), Tool Demonstrations, Seoul, Republic of Korea, 2025, pp. 4041-4044.
Z. Z. Wang, A. Asai, X. V. Yu, F. F. Xu, Y. Xie, G. Neubig, and D. Fried, “CodeRAG-Bench: Can Retrieval Augment Code Generation?,” in Proc. Findings of the Association for Computational Linguistics: NAACL 2025, Albuquerque, NM, USA, 2025, pp. 3199-3214, doi: 10.18653/v1/2025.findings-naacl.176.
M. J. Page et al., “The PRISMA 2020 statement: An updated guideline for reporting systematic reviews,” BMJ, vol. 372, 2021, doi: 10.1136/bmj.n71.
B. Kitchenham and S. Charters, “Guidelines for performing systematic literature reviews in software engineering,” EBSE Technical Report EBSE-2007-01, 2007.
W. Cheng, Y. Wu, and W. Hu, “Dataflow-guided retrieval augmentation for repository-level code completion,” in Proc. 62nd Annu. Meeting Assoc. Comput. Linguistics (ACL 2024), Long Papers, vol. 1, Bangkok, Thailand, 2024, pp. 7957-7977, doi: 10.18653/v1/2024.acl-long.431.
S. Zhang, Y. Ding, S. Lian, S. Song, and H. Li, “CodeRAG: Finding Relevant and Necessary Knowledge for Retrieval-Augmented Repository-Level Code Completion,” in Proc. EMNLP 2025, Suzhou, China, 2025, pp. 23278-23288, doi: 10.18653/v1/2025.emnlp-main.1187.
R. Bairi et al., “CodePlan: Repository-level coding using LLMs and planning,” Proc. ACM Softw. Eng., vol. 1 (FSE), pp. 675-698, 2024, doi: 10.1145/3643757.
S. Feng and C. Chen, “Prompting is all you need: Automated Android bug replay with large language models,” in Proc. 46th IEEE/ACM Int. Conf. Software Engineering (ICSE '24), 2024, doi: 10.1145/3597503.3608137.
X. Liu et al., “CodexGraph: Bridging large language models and code repositories via code graph databases,” in Proc. NAACL 2025: Human Language Technologies, Long Papers, vol. 1, pp. 142-160, 2025, doi: 10.18653/v1/2025.naacl-long.7.
W. Liu et al., “GraphCoder: Enhancing repository-level code completion via coarse-to-fine retrieval based on code context graph,” in Proc. 39th IEEE/ACM Int. Conf. Automated Software Engineering (ASE '24), Sacramento, CA, USA, 2024, doi: 10.1145/3691620.3695054.
A. Semenkin, Y. Sokolov, and E. Vu, “Context composing for full line code completion,” in Proc. IDE '24, Lisbon, Portugal, 2024, pp. 15-17, doi: 10.1145/3643796.3648446.
Y. Wang et al., “RLCoder: Reinforcement learning for repository-level code completion,” in Proc. 47th IEEE/ACM Int. Conf. Software Engineering (ICSE 2025), 2025, pp. 1140-1152, doi: 10.1109/ICSE55347.2025.00014.
T. Mahmud et al., “Automated Update of Android Deprecated API Usages with Large Language Models,” IEEE Trans. Softw. Eng., vol. 52, pp. 70-85, 2025, doi: 10.1109/TSE.2025.3627897.
