Buchumschlag

An Empirical Study of Retrieval-Augmented Code Generation: Challenges and Opportunities

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yang, Zezhou, Chen, Sirong, Gao, Cuiyun, Li, Zhenhao, Hu, Xing, Liu, Kui, Xia, Xin
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Software Engineering
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Roadmap on Modern Code Review: Challenges and Opportunities
von: Yang, Zezhou, et al.
Veröffentlicht: (2024)

Deep Learning Based Code Generation Methods: Literature Review
von: Yang, Zezhou, et al.
Veröffentlicht: (2023)

An Empirical Study of Knowledge Distillation for Code Understanding Tasks
von: Wang, Ruiqi, et al.
Veröffentlicht: (2025)

A Deep Dive into Retrieval-Augmented Generation for Code Completion: Experience on WeChat
von: Yang, Zezhou, et al.
Veröffentlicht: (2025)

Automated Prompt Generation for Code Intelligence: An Empirical study and Experience in WeChat
von: Ji, Kexing, et al.
Veröffentlicht: (2025)

Understanding Practitioners' Expectations on Clear Code Review Comments
von: Chen, Junkai, et al.
Veröffentlicht: (2024)

NLPerturbator: Studying the Robustness of Code LLMs to Natural Language Variations
von: Chen, Junkai, et al.
Veröffentlicht: (2024)

The Current Challenges of Software Engineering in the Era of Large Language Models
von: Gao, Cuiyun, et al.
Veröffentlicht: (2024)

Bridge and Hint: Extending Pre-trained Language Models for Long-Range Code
von: Chen, Yujia, et al.
Veröffentlicht: (2024)

What to Retrieve for Effective Retrieval-Augmented Code Generation? An Empirical Study and Beyond
von: Gu, Wenchao, et al.
Veröffentlicht: (2025)

Clean Code In Practice: Challenges and Opportunities
von: Yan, Dapeng, et al.
Veröffentlicht: (2025)

A Closer Look into Transformer-Based Code Intelligence Through Code Transformation: Challenges and Opportunities
von: Li, Yaoxian, et al.
Veröffentlicht: (2022)

RAG or Fine-tuning? A Comparative Study on LCMs-based Code Completion in Industry
von: Wang, Chaozheng, et al.
Veröffentlicht: (2025)

Towards Explainable Vulnerability Detection with Large Language Models
von: Mao, Qiheng, et al.
Veröffentlicht: (2024)

Learning in the Wild: Towards Leveraging Unlabeled Data for Effectively Tuning Pre-trained Code Models
von: Gao, Shuzheng, et al.
Veröffentlicht: (2024)

An Empirical Study of Speculative Decoding on Software Engineering Tasks
von: Li, Yijia, et al.
Veröffentlicht: (2026)

Enhancing LLM-based Fault Localization with a Functionality-Aware Retrieval-Augmented Generation Framework
von: Shi, Xinyu, et al.
Veröffentlicht: (2025)

SR-Eval: Evaluating LLMs on Code Generation under Stepwise Requirement Refinement
von: Zhan, Zexun, et al.
Veröffentlicht: (2025)

Cascaded Code Editing: Large-Small Model Collaboration for Effective and Efficient Code Editing
von: Wang, Chaozheng, et al.
Veröffentlicht: (2026)

ComplexCodeEval: A Benchmark for Evaluating Large Code Models on More Complex Code
von: Feng, Jia, et al.
Veröffentlicht: (2024)

A Benchmark for Evaluating Repository-Level Code Agents with Intermediate Reasoning on Feature Addition Task
von: Liu, Shuhan, et al.
Veröffentlicht: (2026)

Empirical Study of Code Large Language Models for Binary Security Patch Detection
von: Li, Qingyuan, et al.
Veröffentlicht: (2025)

An Empirical Study of Perceptions of General LLMs and Multimodal LLMs on Hugging Face
von: Liu, Yujian, et al.
Veröffentlicht: (2026)

Understanding the Challenges and Opportunities of Generative AI Apps: An Empirical Study
von: AlMulla, Buthayna, et al.
Veröffentlicht: (2025)

Less is More? An Empirical Study on Configuration Issues in Python PyPI Ecosystem
von: Peng, Yun, et al.
Veröffentlicht: (2023)

Data Dependency-Aware Code Generation from Enhanced UML Sequence Diagrams
von: Mao, Wenxin, et al.
Veröffentlicht: (2025)

Uncovering Weaknesses in Neural Code Generation
von: Lian, Xiaoli, et al.
Veröffentlicht: (2024)

Improving Retrieval-Augmented Code Comment Generation by Retrieving for Generation
von: Lu, Hanzhen, et al.
Veröffentlicht: (2024)

An Empirical Study of Vulnerable Package Dependencies in LLM Repositories
von: Liu, Shuhan, et al.
Veröffentlicht: (2025)

Unseen-Codebases-Domain Data Synthesis and Training Based on Code Graphs
von: Ou, Guangsheng, et al.
Veröffentlicht: (2026)

Can LLMs Replace Human Evaluators? An Empirical Study of LLM-as-a-Judge in Software Engineering
von: Wang, Ruiqi, et al.
Veröffentlicht: (2025)

Towards Mitigating API Hallucination in Code Generated by LLMs with Hierarchical Dependency Aware
von: Chen, Yujia, et al.
Veröffentlicht: (2025)

Open the Oyster: Empirical Evaluation and Improvement of Code Reasoning Confidence in LLMs
von: Wang, Shufan, et al.
Veröffentlicht: (2025)

Semantic Consensus Decoding: Backdoor Defense for Verilog Code Generation
von: Yang, Guang, et al.
Veröffentlicht: (2026)

Dependency-Guided Repository-Level C-to-Rust Translation with Reinforcement Alignment
von: Feng, Jia, et al.
Veröffentlicht: (2026)

SEER: Enhancing Chain-of-Thought Code Generation through Self-Exploring Deep Reasoning
von: Gao, Shuzheng, et al.
Veröffentlicht: (2025)

CATCODER: Repository-Level Code Generation with Relevant Code and Type Context
von: Pan, Zhiyuan, et al.
Veröffentlicht: (2024)

Where Is Self-admitted Code Generated by Large Language Models on GitHub?
von: Yu, Xiao, et al.
Veröffentlicht: (2024)

Preference-Guided Refactored Tuning for Retrieval Augmented Code Generation
von: Gao, Xinyu, et al.
Veröffentlicht: (2024)

An Empirical Study on Challenges for LLM Application Developers
von: Chen, Xiang, et al.
Veröffentlicht: (2024)