研究提出 UVA 方法，让代码智能体向云端提问时不泄露私有代码
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载问题出在求助环节
本地运行的代码智能体能力有限，可以通过向更强的云端模型提问来扩展能力边界。但这类咨询往往把仓库中的私有标识符、文件路径和源代码一并送出去。已有的宿主侧掩码只能遮住被识别出的标识符，周围的代码和智能体自己的措辞保持原样；而直接训练模型少披露信息，又可能让它干脆不再求助，或者问得过于含糊、对方无法作答。论文把这一矛盾作为出发点：既要问得有用，又不能把私有内容带出去。
用角色和类型替代实体
作者提出的 utility-verified abstraction 思路是改变提问的表达方式：让智能体用「这个实体扮演什么角色、属于什么类型」来描述私有对象，而不是直接写出名字或代码，同时保留专家判断所需的技术细节。训练数据来自已经解决的修复轨迹，把其中的每个问题改写成这种抽象形式。改写并非无条件采纳，而是要过一道验证：改写后披露的私有实体数量必须更少，并且从同一执行状态出发、用修复轨迹重放时修复仍然成功，才保留这条样本。这样「有用」和「少泄露」两个目标被同时写进了数据筛选条件。
量化结果与边界
在两个基准上，训练后的智能体比训练前更愿意发起咨询。在仓库级 issue 修复任务中，它解决了 37.6% 的问题，而同一模型单独工作时为 25.3%；作者说明这一差距来自整体训练，而不是单纯增加求助次数。隐私侧，面对同一位专家，训练后智能体提出的问题所披露的私有实体比未训练智能体少 3.7 倍，逐字代码少 1.4 倍。论文正文 10 页，含参考文献与附录共 33 页，含 4 张图、5 张表，提交时间为 2026 年 10 月 17 日。
为什么值得看
给「本地小模型 + 云端强模型」的协作方式提供了一种兼顾效果与代码隐私的训练思路，并给出可量化的泄露与修复率对比。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。