大模型正推动开源软件研发从“AI辅助开发”迈向“AI自主研发”，软件智能体等新范式不断涌现，也对软件可信性、可维护性提出新挑战。本论坛围绕“大模型驱动的开源软件可信研发与维护”，邀请六位学者，从大模型/智能体能力边界反思、自进化软件测试、智能时代的软件复用与代码适配、鸿蒙AI Coding落地实践、代码效率优化与缺陷定位、数据隐私视角下的代码模型可信生态等角度，探讨开源软件全生命周期中的关键问题：如何把握大模型能力边界？如何构建可信、可演化的智能测试与复用体系？如何兼顾效率、安全与隐私？六位讲者将结合最新研究成果与工程实践，共同探讨大模型时代开源软件研发与维护的新方法、新挑战和新机遇。

现任芬兰阿尔托大学计算机科学系助理教授。主持芬兰研究理事会国家级基金。于卢森堡大学取得博士学位，并先后在南洋理工大学和墨尔本大学从事博士后研究，美国卡内基梅隆大学访问学者。曾在腾讯和滴滴担任机器学习研究员。研究聚焦于人工智能赋能软件工程，主要方向包括自动化程序修复、代码质量评估与安全性保障。他在ICSE、ASE、TSE、EMNLP、ACL等国际顶级学术期刊和会议上发表了多篇论文，获ACL’26 SAC Highlight Award。担任ASE、APSEC、Internetware、ICPC等会议的组织委员会委员，ICSE、FSE、ISSTA等顶级会议的程序委员会委员。

国防科技大学计算机学院教授、教育部青年长江学者。研究兴趣包括高可信软件和代码智能等，研究成果发表于ICSE、FSE、ASE、ISSTA、VLDB、TOSEM、TSE等高水平刊物，获ICSE'23杰出论文奖等论文奖励 6 次。曾荣获湖南省科技创新领军人才、中创软件人才奖、CCF NASAC青年软件创新奖，国家科技进步奖二等奖、军队科技进步奖一等奖、湖南省技术发明一等奖等。

当前，大语言模型与智能体技术迅速发展，软件开发的工具和模式正在发生变革。本报告讨论这两个互相关联的问题：支撑智能体的大模型技术是否存在能力边界，对这个问题的探索有何现实意义？用于发挥或利用大模型基础能力的智能体技术，存在哪些潜在问题，具有怎样的发展趋势或规律，对软件开发有何意义？以期引发大家的思考与讨论。

大模型驱动的代码生成技术已显著提升软件开发效率，但代码质量保障正成为制约其效能释放的关键瓶颈。自主化的智能测试能力，将成为释放生成式编程潜能的重要驱动力。本报告构建“三场景覆盖+自进化闭环”测试架构，系统覆盖代码语义执行覆盖、业务逻辑实现验证及需求驱动测试生成等场景。该体系旨在为大模型时代软件可靠性保障提供系统化技术路径，推动质量保障范式从被动验证向主动认知演进。

针对传统开发语法适配难、API选型繁琐、调试耗时等痛点，利用AI Coding技术实现代码智能生成、纠错适配、性能优化等功能已经成为常态，被证明确能有效提升开发效率和质量。本次分享聚焦鸿蒙AI Coding落地实践，包括鸿蒙AI辅助研发工具链及其在软件工程全生命周期的应用实践。最后介绍AI Coding使能应用鸿蒙化快速迁移的操作方法，低成本、高效率完成安卓应用鸿蒙化迁移，助力开发者快速落地鸿蒙生态开发。

大模型为开源软件的研发与维护提供了新的技术途径，但在生成代码的运行效率以及软件维护中的缺陷定位等方面，仍存在诸多有待研究的问题。本报告以"效率"与"定位"为主线，介绍我们近期在该领域开展的若干研究工作。在代码效率方面，本报告将探讨如何评估大模型生成代码在功能正确性之外的运行效率表现，并在此基础上研究面向项目级的代码效率优化方法，以改善生成代码的运行效率。在缺陷定位方面，本报告将探讨如何利用大模型对软件缺陷进行有效定位，从而支持软件维护阶段的定位需求。

数据与隐私保护视角下的代码模型可信生态

开源仓库、代码数据集、代码模型与自动编程助手组成了一个日益复杂、相互交织的生态系统。保障这个生态系统的可信性愈加重要。在本报告中，我们将从数据和隐私保护的视角，理解并增强代码模型生态的可信性。一方面，我们讨论代码模型中的数据投毒和数据水印；另一方面，我们讨论代码模型的隐私泄露问题，并展示如何通过模型后训练、差分隐私等技术在不影响模型性能的情况下保护隐私。我们也将探讨其他相关议题，如代码模型交互过程中的可信增强。