指导教师

XXX□教授

工作单位

工程科技学院

毕业设计（论文）拟定题目

基于大模型的代码注释自动生成与维护工具的设计与实现

毕业设计（论文）时间安排

毕业设计（论文）的主要内容

1.目的和意义 （所有标题楷体、小四加粗）

① 提升技术实现能力：通过本选题，促使学生充分运用所学的基本理论知识与专业技能，深入剖析面向对象软件测试中代码注释生成与维护的技术难题。在基于大模型进行工具设计与实现的过程中，学生将面对从模型选型、数据预处理到算法优化等一系列复杂问题，通过实际动手操作与问题解决，逐步养成分析并解决面向对象软件测试技术实现问题的能力，为今后从事软件开发与测试相关工作积累宝贵的实践经验。

② 培养科研素养：本选题要求学生学会本专业中英文文献资料的检索方法，广泛查阅国内外相关领域的前沿研究成果。在文献研读过程中，学生能够了解行业最新动态与发展趋势，学会筛选、整理和分析有价值的信息，进而提出创新性的研究思路与方法，逐步养成科学研究的基本素质，为未来开展更深入的学术研究或从事技术创新工作奠定坚实基础。

2.工作进程

① 资料收集与开题报告撰写：全面开展本选题相关资料收集工作，通过学术数据库、专业论坛、开源代码库等渠道，广泛收集与大模型、代码注释生成、软件设计开发等相关的中英文文献、技术文档和实际案例。对收集到的资料进行系统整理和深入分析，依据指导老师下发的任务书要求，精准确定研究内容和方向，高质量完成开题报告，明确后续工作的具体规划和技术路线。

② 系统设计与实现：完成基于大模型的代码注释自动生成与维护工具的设计与实现。深入开展需求分析，与潜在用户和行业专家进行充分沟通，明确系统功能需求和性能指标；进行系统设计，包括架构设计、模块划分、接口定义等；依据设计方案进行功能实现，运用合适的编程语言和开发框架完成代码编写；最后进行功能测试，采用多种测试方法确保系统功能的正确性和稳定性。

③ 毕业设计（论文）初稿撰写：在完成系统功能设计和开发的基础上，充分阅读相关领域前沿资料，结合系统实现过程中的技术难点和创新点，按照毕业设计（论文）的规范要求，完成初稿撰写。初稿内容应涵盖选题背景、研究目的、系统设计、实现过程、测试结果以及结论与展望等方面，确保逻辑清晰、内容完整。

④ 毕业设计（论文）终稿完善：在刘小娇讲师的悉心指导下，对毕业设计（论文）初稿进行反复修改和完善。针对导师提出的意见和建议，认真分析问题所在，对论文结构、内容表述、图表规范等方面进行全面优化，确保论文质量达到毕业要求，最终完成终稿。

⑤ 答辩准备与答辩：认真制作答辩PPT，内容简洁明了、重点突出，能够清晰展示研究工作的核心内容和创新成果。提前熟悉答辩流程和规则，进行模拟答辩演练，提高答辩表达能力。准时参加毕业答辩，以良好的精神状态和扎实的专业知识，顺利完成答辩环节。

3.具体要求

①仔细阅读毕业设计（论文）工作规范及撰写规范；

②主动与刘小娇导师保持联系；

③参考资料应尽量选择近5年来的文献15篇(含著作)并至少有2篇外文资料；

④提交不少于8000字论文（终稿）两份、论文电子文档等相关资料。

4.写作前应拟出毕业设计（论文）提纲并征求导师意见，主要内容至少包括：

① 大模型及代码注释生成相关技术概述：首先对大模型的基本概念、发展历程、常见架构（如Transformer架构等）进行详细介绍，阐述其在自然语言处理、计算机视觉等多领域的广泛应用及显著优势。接着聚焦代码注释生成领域，分析传统代码注释生成方法的局限性，如基于规则的方法灵活性差、基于模板的方法泛化能力弱等。进而引出大模型在代码注释生成方面的独特价值，包括强大的语义理解能力、上下文感知能力以及对复杂代码逻辑的精准把握等，为后续研究奠定理论基础。

② 基于大模型的代码注释生成模型构建：深入剖析所选用大模型（如GPT系列、CodeBERT等）的原理和特点，说明选择该模型的原因。详细阐述模型针对代码注释生成任务的优化过程，包括数据预处理（如代码和注释的清洗、标注、向量化等）、模型微调策略（如参数调整、训练轮次设定等）以及模型评估指标（如准确率、召回率、F1值等）的确定。通过实验对比不同模型和优化策略的效果，展示所构建模型在代码注释生成方面的优越性。

③ 代码注释自动生成与维护工具的设计策略：从系统架构设计角度出发，介绍工具的整体框架，包括输入模块（接收手绘草图或代码文件等输入）、处理模块（大模型进行代码注释生成）、输出模块（展示生成的代码注释）以及维护模块（对生成的注释进行更新、修正等）。针对每个模块，详细说明其功能设计、实现方法以及与其他模块的交互方式。同时，考虑工具的易用性和扩展性，设计友好的用户界面和灵活的接口，方便用户操作和后续功能拓展。

④ 工具的功能测试与效果评估：制定全面的功能测试计划，设计多样化的测试用例，涵盖不同类型的手绘草图、不同复杂度的代码文件等场景，对工具的代码注释生成功能、维护功能等进行全面测试。记录测试过程中的各项数据，如生成注释的时间、准确率等。采用定性和定量相结合的方法对工具效果进行评估，通过用户调查问卷收集用户对工具的满意度、易用性等方面的反馈，结合测试数据综合分析工具的性能和优势，针对存在的问题提出改进措施和未来发展方向。

5.在本选题研究中，如发现难以完成既定任务而需更换选题，应征求导师同意。

参考资料及文献查询方向、范围：（由指导教师指定）

[1] 余天赐,高尚.融合多结构信息的代码注释生成模型[J].计算机工程与科学, 2024, 46(4):667-675.

[2] 郑子彬,刘小慧.一种基于大模型的代码注释不一致检测方法及其相关装置:CN202510556683.7[P].CN120408619A[2025-12-07].

[3] 钟茂生,刘会珠,匡江玲,等.DeepCom-GCN:融入控制流结构信息的代码注释生成模型[J].江西师范大学学报（自然科学版）, 2025(1).

[4] 霍丽春.基于Encoder-Decoder架构改进的代码自动注释模型[D].内蒙古师范大学,2023.

[5] 赵乐乐,张丽萍,赵凤荣.基于注意力机制的Tree2Seq代码注释自动生成[J].计算机工程与科学, 2023, 45(4):638-645.DOI:10.3969/j.issn.1007-130X.2023.04.010.

[6] 王兵书,李静怡,雍珊珊,等.基于提示工程的程序设计探索与实践[C]//2024年中国高校计算机教育大会论文集.2024.

[7] 王慧群.数字经济时代拒绝交易制度之重构从API封禁切入[J].  2025.

[8] 刘利,吕韦岑,汪洋.基于类型辅助引导的代码注释生成模型[J].无线电通信技术, 2024, 50(4):807-814.

[9] 符方英.基于方法注释和代码片段的Java API推荐模型研究与应用[D].中南大学,2023.

[10] 赵衔麟,潘兴禄,邹艳珍,等.面向代码注释生成任务的注释质量评价研究[J].软件学报, 2025(8).

[11] 王宇.基于深度学习的代码摘要模型研究[D].华东师范大学,2024.

[12] 李奇.基于 CodeGeeX的生成式AI辅助的教学研究与实践——以JAVA开发项目实践课程为例[J].炫动漫, 2024(21):0284-0286.

[13] 信息与通信工程;通信与信息系统.基于多信息编码模型的代码注释生成研究[D].南通大学,2023.

[14]  Poudel A , Davis J D , Purswell J L ,et al.97. Semi-automatic annotation system based on Segment Anything Model for large scale poultry data annotations[J].Animal - Science proceedings, 2025, 16(4):672-674.DOI:10.1016/j.anscip.2025.08.252.

[15]  Cui L , Wang F , Li H ,et al.annATAC: automatic cell type annotation for scATAC-seq data based on language model[J].BMC Biology, 2025, 23(1).DOI:10.1186/s12915-025-02244-5.

[16]  Al-Shammary A A , Zaghden N , Bouhlel M S .Automatic image annotation system to images retrieval based on deep learning technique[J].AIP Conference Proceedings, 2023, 2933:040001.DOI:10.1063/5.0167678.