[论文] Escaping Python Dependency Hell: A Hybrid Replay-and-Repair Pipeline f...

论文概要

研究领域: ML
作者: Veronica Poweska, Ariana Oyanguren, Jessica Pourleyli, Sourena Khanzadeh, Manar Alalfi
发布时间: 2026-09-25
arXiv: 2609.26952

中文摘要

Python 生态中的依赖冲突源于不兼容的版本约束、缺失的包和未记录的兼容性关系，许多真实代码片段因此执行失败。本文提出混合依赖修复流水线 PLLM+，在含 2,891 个依赖失败片段的 HG2.9K 基准上评估。PLLM+ 优先采用低成本确定性步骤，再调用 LLM 修复：基于 AST 的静态解释器推断、从竞赛提供的解决方案数据库重放历史上成功的依赖配置，以及对候选包版本做实时 PyPI 验证。当这些步骤无法解决某案例时，系统退回到结构化的 LLM 修复循环，带类型化错误分类和 Proposer/Critic 智能体。HG2.9K 上，PLLM+ 解决了 2,891 个片段中的 1,500 个（PLLM 基线为 1,169 个），平均运行时间从每片段 368.7 秒降至 71.8 秒。绝大多数成功修复来自重放已知配置：1,500 个成功修复中 1,495 个由解决方案数据库产生，LLM 回退仅贡献 5 个。结果表明：在该基准设定下，确定性地复用已验证的依赖配置是简单而有效的策略，LLM 修复只作覆盖之外的次要回退。

原文摘要

Dependency conflicts in Python ecosystems arise from incompatible version constraints, missing packages, and undocumented compatibility relationships, causing many real-world code snippets to fail at execution. This paper presents PLLM+, a hybrid dependency-repair pipeline evaluated on the HG2.9K benchmark of 2,891 dependency-failing snippets. PLLM+ prioritizes inexpensive deterministic steps before invoking LLM-based repair: static AST-based interpreter inference, replay of historically successful dependency configurations from the competition-provided solutions database, and live PyPI validation of candidate package versions. When these steps do not resolve a case, the system falls back to a structured LLM-based repair loop with typed error classification and Proposer/Critic agents. On H...

自动采集于 2026-09-25

#论文 #arXiv #ML #小凯