通过引入跨团队合作（CTC）框架，实现协同的团队制定各种决策并在跨团队合作环境中进行沟通，从而提高软件开发中的质量，展示了多智能体合作的潜力和广泛适应性。

Jun, 2024

现代软件开发中人工智能聊天机器人与人类之间的对话方式及其对协同工作的影响的研究分析了对话特性、交流样式上的相似与差异，指导开发人员如何塑造期望，以促进软件团队的沟通，结论是尽管 LLM 聊天机器人能提高生产力并减轻开发人员的心理负担，但无法替代与人类的交流。

May, 2024

该研究主要探讨了大型语言模型在过程挖掘中的应用，以增强对话代理的能力，并改进了现有解决方案的许多问题，提高了可访问性和代理性能。通过实验验证了该框架在公共问题和数据集上的效果，为进一步探索大型语言模型在过程挖掘中的作用奠定了基础，并提出了改进大型语言模型记忆、实时用户测试和研究多样化数据集的建议。

Jul, 2023

本文通过对比软件工程师和人工智能系统（如 ChatGPT）在不同评价指标下的性能表现，探讨了它们各自的任务适用性，以促进人机协作、提高 AI 方法的可靠性和理解，以及实现协作工作结构和人在循环过程。

May, 2023

本文提出了一种新方法，支持自动化机器学习，帮助软件工程师在不需要深入了解人工智能的情况下，选择适当的机器学习模型、算法和技术以及适当的超参数来开发人工智能密集型系统，并进行智能能源领域的案例研究。

Mar, 2022

软件工程领域正在经历一场范式转变，人工智能系统如 LLMs 日益重要，提高软件开发生产力，未来五年，人类开发者与人工智能之间将会有日益增长的共生伙伴关系，软件工程研究社区必须重视这一趋势，我们需要解决将人工智能融入软件开发过程带来的关键研究挑战，本文提出我们对于 AI 主导软件开发领域未来的愿景，并探讨了研究社区在实现这一愿景上应该解决的关键挑战。

Jun, 2024

使用经验共同学习的新框架，充实以往经验，使大语言模型（LLMs）和自主代理能够更高效地处理未知任务。

Dec, 2023

该研究论文探讨了大语言模型和聊天机器人结合应用于研究生工程教育的可能性，并通过一个研究案例证明了聊天机器人在课堂上的潜在优势，包括促进自主学习、提供即时反馈以及减轻教师负担。该研究还讨论了智能提示对聊天机器人性能的提升效果以及如何通过插件扩展聊天机器人的功能，同时强调在教育中使用这些人工智能模型所面临的挑战和伦理问题，并主张采取平衡的方法进行评估和改进。

Sep, 2023

通过构建一个名为 Agentless 的简洁两阶段的定位和修复过程，本研究发现在自动软件开发问题的解决中，Agentless 不仅能够获得最高的性能（27.33%），而且成本最低（0.34 美元），超过现有的所有开源软件代理。

Jul, 2024

本文探讨了基于多代理系统理论（SMA）与大型语言模型（LLM）的计算实体的动态影响，这些实体的特点是能够模拟复杂的人类互动，作为一种从使用专门的人工代理支持运营业务流程到基于应用知识和人类编排的战略决策的革命可能性。我们展示了利用基于大型语言模型（LLM）的代理开发，通过考虑行为元素并由策略驱动，从而刺激基于使用案例在商业场景中生成知识的能力，利用代理之间的讨论方法（引导式对话），为组织战略提供潜力，基于多代理系统理论（SMA）和创新的大型语言模型（LLM）的应用，为不同的应用、复杂性、领域和 LLM 的能力提供了一种不同和可适应的实验。

Mar, 2024