LogicLoc: 当大语言模型遇上Datalog，代码定位迎来新范式

研究人员发现现有代码定位模型过度依赖关键词匹配，存在"关键词捷径"偏差，提出LogicLoc框架，将大语言模型（LLM）与Datalog逻辑推理结合，实现无需关键词提示的精准代码结构推理，为代码定位技术带来新范式。

现有代码定位模型依赖关键词匹配（如文件路径、函数名），移除关键词后性能骤降，暴露缺乏结构推理能力的缺陷。代码定位核心挑战是理解代码语义结构，传统方法存在泛化弱、语义浅、依赖命名等局限。研究团队定义"关键词无关的逻辑代码定位"新挑战，并构建KA-LogicQuery诊断基准。

LogicLoc框架包含三个阶段：1.程序事实提取（静态分析代码库生成Datalog事实库）；2.Datalog程序合成（LLM根据自然语言问题和事实模式生成查询程序）；3.验证与反馈优化（Parser-Gated机制检查并指导修正）。技术创新点包括确定性推理引擎、可验证中间表示、高效token使用。

在KA-LogicQuery基准（无关键词）中，LogicLoc显著优于现有SOTA；在传统含关键词基准中保持竞争力；效率上token消耗降低、执行速度提升、可扩展性增强。

LogicLoc验证了神经符号混合架构在结构推理任务中的优势，Datalog提供可解释性和可验证性，为AI辅助软件工程提供重要启示。

未来需改进基准测试以评估真实推理能力，进一步探索神经符号混合在更多软件工程任务中的应用，构建更可靠、可解释的AI辅助开发工具。