arXiv cs.AI· Mario Corchero, David Williams, Laszlo Kiss Kollar, Haowen Liu, Shivam Bairoliya, Gala Malbasic, Serkan Kirbas, Federica Sarro·· 2 小时前精选AI 评分64
Bloomberg 论文总结企业级 LLM 混合确定性代码迁移流水线经验
Hybrid LLM-Deterministic Pipelines for Enterprise-Scale Code Migration at Bloomberg
AI 导读
Bloomberg 团队在 arXiv 论文 arXiv:2611.05457 中报告跨数千个代码库的 LLM 辅助迁移实践，涵盖约 1,900 个 Python 打包仓库和约 6,700 个 C++ 构建系统仓库，共产生 2,333 个 PR、完成 729 次成功迁移。
推荐理由
来自 Bloomberg 的工业级实践报告，给出混合 LLM 与确定性架构的可迁移模式，并指出审查部署才是迁移瓶颈。
正文 · AI 翻译
摘要：大型组织中存在大量“长尾”式的基础设施迁移工作——这些工作值得做，但通常不够紧迫，难以与功能开发竞争，因为每一项迁移在每个代码仓库上都需要耗费大量工程时间。本文报告了我们在 Automated Uplift 项目上的工业实践经验，这是一项历时数月的计划，在 Bloomberg 的数千个仓库中应用基于 LLM 辅助的迁移流水线。我们考察了两场截然不同的生产战役：一次异构的 Python 打包迁移（约 1,900 个候选仓库）和一次统一的 C++ 构建系统迁移（约 6,700 个候选仓库）。两场战役共产生了 2,333 个拉取请求，最终成功完成 729 次迁移。我们详细介绍了混合架构方案：该方案最大化确定性处理，将 LLM 限制在预先计算好的上下文中执行有界的文件变换，并结合运行时生产遥测数据（如执行日志和使用轨迹）。我们的发现表明，生成迁移其实是较为容易的部分；真正的瓶颈是对接手团队而言审查、测试和部署这些变更的成本。当变更可以在开启 PR 之前直接在流水线中验证时（如 C++ 编译和测试验证），以及当目标代码库足够统一、使修复方案可以从一个仓库推广到下一个仓库时，这些成本会显著降低。最后，我们将经验与发现提炼为可操作、可迁移的模式，用于构建混合式 LLM-确定性流水线并在整个企业范围内扩展代码迁移。
| 学科分类： | 软件工程 (cs.SE)；人工智能 (cs.AI) |
| 引用方式： | arXiv:2611.05457 [cs.SE] |
| （本版本的 arXiv:2611.05457v1 [cs.SE]） | |
| https://doi.org/10.48550/arXiv.2611.05457 arXiv 发布的 DOI，经 DataCite（注册中） |
提交历史
来自：Federica Sarro 教授 [查看邮件]
[v1]
2026年11月3日 星期二 18:55:28 UTC (96 KB)
来源：arXiv cs.AI · arxiv.org