论文主要内容总结该论文聚焦于大语言模型（LLMs）在自动代码生成中存在的“语义鸿沟”问题，系统论证了编程语言（PL）技术对弥合这一鸿沟的核心作用。核心问题：LLMs虽在代码生成中表现出强大能力，但由于其统计特性和黑箱特性，生成的代码存在语法错误、语义幻觉（如虚构函数）、逻辑不一致等问题，且缺乏可靠性、安全性和可解释性，难以满足生产环境需求。问题表现：具体体现为三个层面——语法与语义错误（从简单语法错误到深层功能正确性幻觉）、对代码的深度理解不足（仅处理线性token流，缺乏对结构和动态语义的把握）、可靠性与安全隐患（高漏洞率、知识产权风险、黑箱导致的不可追溯性）。解决方案：提出通过整合编程语言技术解决上述问题，包括：结构化程序表示：利用中间表示（IRs）、抽象语法树（AST）、控制流图（CFG）和数据流图（DFG）等，帮助LLMs突破线性token限制，把握代码结构与语义；形式化方法与类型系统：通过形式化验证（如SPARK注解生成、定理证明器）和类型系统引导生成（如类型约束解码），确保代码的可证明正确性；高级程序分析：结合自动化测试与修复（如CCTEST框架）、静态分析增强（减少误报）、因果分析与内部状态分析，提升代码可解释性与可靠性。结论：强调LLMs代码生成的未来在于将编程