编码数据集生成框架 UnitGen 0.4.0：代码文档生成、测试代码生成

UnitGen 是我们从 UnitEval 拆分出来的代码数据集生成项目，旨在为基于开源模型供的私有化部署提供更好的编码数据集。

在结合开源模型 + AutoDev 插件之后，你可以使用 UnitGen 结合企业内部现有的代码生成微调数据集，以让模型生成的代码更适合组织内部的需要，提升开发人员效率。

GitHub：https://github.com/unit-mesh/unit-gen

使用文档：https://gen.unitmesh.cc

UnitGen 数据集生成框架

如在先前的文章所介绍，为了保持 UnitMesh 开源 AI 辅助编码方案的完整性，即 UnitGen + AutoDev + UnitEval 工具的一体化，我们所秉持的设计原则是：

• 统一提示词（Prompt）。统一工具-微调-评估底层的提示词。

• 代码质量管道（Pipeline）。诸如于代码复杂性、代码坏味道、测试坏味道、API 设计味道等。

• 可扩展的质量阈。自定义规则、自定义阈值、自定义质量类型等。

基于上述的思想，我们所实现的 UnitGen 架构所如所示：

在实现上主要分为两部分：

• 基于 LanguageWorker 的上下文策略实现。即由于不同语言的语法差异，如文档位置、数据 + 行为实现方式，我们需要根据需要做一些差异化的实现。

• 基于 ArchGuard 的质量检查。我们会先进行一些基本的长度、是否minifid 检查（JavaScript）等。ArchGuard 只是作为阈值的一部分，以支持：代码、测试代码、MVC 代码的质量检查。

在底层，我们使用了自己开源的 Chapi 来实现对于语言的 AST（抽象语法树） 转换和处理分析，以更好处理语言与数据结构的问题。Chapi 是一个开源的通用层次抽象解析器与信息转换器，它可以将不同编程语言的源代码转换为统一的层次抽象模型。

与此同时，由于架构治理平台 ArchGuard 本身也是基于 Chapi 作为其分析引擎的核心语法处理，所以两者可以实现很好的兼容 + 互补。诸如于在完善 UnitGen 功能的同时，ArchGuard 的质量功能也在持续完善。

UnitGen 文档数据集生成

在文档数据生成上，与先前的补全数据集生成，文档的生成逻辑非常简单 —— 找到对应的注释块（类和方法级），然后生成即可。甚至于，我们可以直接使用代码来解释：

container.DataStructures.forEach { dataStruct ->
      // build class comment
      val methodCommentIns =
          dataStruct.Functions
            .filter { it.Name != "PrimaryConstructor" }
              .map { function ->
                  // build method comment
              }
      // return comments
    }

在 Chapi 里代码文件是一个 Container，Container 内包含一系列的 DataStructures，每个 DataStructure 则包含了一系列的 Functions。因此，在实现上只需要先构建出所有的注释块，做一些基本的质量检查，再与对应的代码块结合。

UnitGen 测试数据集生成

由于 AutoDev 支持的是整个测试文件的生成，因此在生成测试时要考虑到测试框架和技术框对于项目的影响，所以还需要读取项目的依赖信息。

除此，UnitGen 在测试数据生成上，同样分为类级和方法级，但是方法级的生成比类级稍微复杂一些 —— 需要分析出被测函数。

获取框架与测试框架信息

框架等信息的分析，其实就是 SCA（Software Composition Analysis）软件成分分析。在实现上，我们需要分析出项目的依赖文件、依赖信息，并尝试给出主要的框架。诸如于：

• 从 package.json 知道项目使用的是 React 框架，并使用了 Jest 作为测试框架

• 从 build.gradle 中获取项目使用是 Spring Boot 框架，并使用了 spring-boot-starter-test 作为测试框架。

所以，我们在 UnitGen 中创建了 ProjectContext 和 TestStack 来管理它们。而在实现上，由于我们在开源的架构治理平台 ArchGuard 中编写了依赖分析模块 analyser_sca ，随后根据不同的语言编写主流的框架和映射。

函数级测试数据集生成

对于文件级的测试生成来说，实现起来非常简单 —— 通过包名和类名来映射，就能通过测试文件找到被测试文件。但是，对于微调来说，会导致样本过少。与此同时，由于我们通常更想要的实现某个方法的测试，所以需要构建和分析 CG（Call graph，函数调用图），以正确匹配测试方法和被测试方法 —— 当时这并非 100% 正确的，需要测试方法在被测试方法最后调用。

而正好我们在 Chapi 中实现了对应的 CG 静态分析，所以可以直接遍历 Function 的 FunctionCalls 就能实现上述的功能。

dataStruct.Functions.mapIndexed { _, function ->
    function. c.map {
        val canonicalName = it.Package + "." + it.NodeName + ":" + it.FunctionName
        if (it.NodeName != underTestFile.NodeName) return@map
        val originalContent = underTestFunctionMap[canonicalName] ?: return@map
        if (originalContent.isBlank() || function.Content.isBlank()) return@map
        // 生成测试指令
    }
}

而考虑到不同的开发人员编写测试的习惯不一样，所以还需要检查一下测试代码的命名规则：

val namingStyle = dataStruct.checkNamingStyle()

人生苦短，我有：https://github.com/phodal/chapi 。

Chapi 支持主流语言（我喜欢使用的）的 FunctionCall，所以在这些语言的 FunctionCall 功能相对比较完整：

关于 Chapi 的更多介绍见：https://chapi.phodal.com/ 。

其它

在外部测试时，我们使用了 ThoughtWorks 开源项目作为核心，并结合一些框架的官方 examples，诸如 Spring Data Examples, ArchUnit Examples，以更好地辅助开发人员编写对应的测试。

同时，在生成第二个版本的 AutoDev Coder 数据集时，我们人工 review 了一部分代码，结合 OpenAI 重构了注释和一些测试的实现，以提升数据级的质量 —— 以实现真正的人工-智能。