REA-Coder：通过需求对齐弥合用户意图与大语言模型差距的代码生成新方法

本文提出REA-Coder框架，核心思想是主动识别并修复需求与大语言模型理解之间的错位，通过迭代进行需求对齐和代码生成，有效解决代码生成中的意图鸿沟问题。该方法在五个编程基准数据集上平均提升7.93%至30.25%，显著优于现有基线方法。

代码生成的核心挑战在于用户自然语言需求的歧义、不完整或模糊导致模型理解与真实意图存在偏差（意图鸿沟）。现有方法分为推理策略优化（如思维链、树状搜索）和后处理方法（如测试反馈修复），但均隐含模型能正确理解需求的假设，忽视了需求理解错误这一前提。

REA-Coder采用识别-对齐-生成-验证的迭代循环：

1. 识别错位：通过不确定性量化、对抗性探测、知识图谱匹配识别需求中的术语模糊、隐含假设、约束冲突等问题；
2. 需求对齐：显式化隐式约束、结构化重组、补充示例、术语规范化，保持语义等价前提下提升清晰度；
3. 生成代码：基于对齐需求生成代码；
4. 验证迭代：通过语法、功能、需求对齐验证，失败则返回迭代。

REA-Coder在四种不同大语言模型上均取得性能提升，证明其模型无关性。在五个基准数据集上平均提升幅度为7.93%至30.25%，显著超越直接使用原始需求、简单提示工程、后处理修复、复杂推理策略等基线方法。

技术洞察：需求理解是代码生成的瓶颈，迭代对齐体现渐进求精思想，暗示人机协作新模式。应用场景包括：

• 低代码/无代码平台：帮助非专业用户生成符合期望的代码；
• 智能编程助手：集成到IDE减少修改次数；
• 代码生成API服务：提升服务质量与用户满意度。

当前局限性：对齐质量依赖代码验证间接评估。未来方向包括：开发直接评估对齐质量的指标；扩展至多轮对话场景；针对特定编程领域优化对齐策略；集成用户显式反馈到迭代循环。