在当前软件工程领域中，大型语言模型（LLM）逐渐成为辅助代码理解、生成和维护的重要工具。尤其在代码现代化和迁移项目中，LLM展现出强大的潜力。然而，针对政府领域的软件系统，其代码通常由诸如MUMPS、汇编语言（ALC）等遗留语言编写，且代码文件长度常远超现有商用模型的上下文窗口限制，给LLM直接处理带来了巨大挑战。本文围绕“代码分块”这一关键步骤，深入探讨LLM是否能够有效替代人类专家完成分块任务，从而推动遗留代码的现代化进程。代码分块是指将大型代码库或单个代码文件划分为合理大小的片断，以便于审查、理解、注释和迁移。传统上，这一任务由经验丰富的工程师基于代码结构和逻辑依赖手动完成，耗费大量时间和人力成本。
现代LLM则具备自动识别语法和语义边界的潜力，能够根据代码特征选择恰当的分界点，以优化后续的文档生成和代码重构流程。政府应用中的遗留系统往往具备数十年开发历程，代码风格多样且缺乏规范，且使用的编程语言往往极少出现在现代公开数据集中，因此现有模型的训练内容与这些遗留语言严重不匹配。此外，遗留代码文件往往篇幅庞大，超过当前最先进模型如GPT-4o、Claude 3 Sonnet、Mixtral、Llama 3的最大上下文长度，使得模型难以一次性全面分析整个文件。针对这些问题，研究人员提出了多种代码分块策略，如基于函数边界、逻辑块分割以及按字符数或行数分段等。实验显示，LLM不仅能够学习并模仿人类专家选取的合理分块点，在某些指标上甚至超越人工划分，带来更具事实性和实用性的代码文档。特别是在为代码块生成注释时，正确的分块直接影响注释的准确度与清晰度。
得益于LLM自动分块的分隔结果，生成的模块注释在事实准确率上提升了约20%，在实用性上提升了10%。这是对代码分块质量改进的有力证明。此外，LLM通过自动分块极大提升了处理大型遗留代码库的效率，减少了人力成本和时间投入，从而加快政府软件现代化的步伐。当然，尽管LLM能在代码分块中发挥显著作用，但其对复杂语义和深层架构依赖的理解仍有限，在处理一些特殊边界条件时可能存在误判。因此，最佳实践往往是人机协作，将LLM生成的分块方案作为建议，由开发人员进行最终审核和微调。随着模型训练数据的不断丰富和上下文窗口技术的进步，未来LLM在理解遗留语言和长代码片段方面的能力有望进一步提升，甚至实现完全自主的代码分块。
总结来看，LLM在代码分块环节展现了替代人类专家的巨大潜力，尤其适用于政府遗留系统的现代化改造任务。其带来的分块效率提升和文档质量改善，不仅降低了人工负担，还提高了开发流程的透明度和质量保障。对于欲推动遗留代码现代化的机构而言，采用LLM辅助分块技术是一种值得重点投入的创新方案，能够在保障准确性的前提下显著提升工程执行力和项目交付速度。作为软件工程与人工智能融合的前沿案例，LLM辅助代码分块的应用为未来智能化代码理解、生成和维护打开了广阔空间，为政府及其他传统行业数字化转型注入强大动力。随着技术日渐成熟，其影响力还将持续扩大，推动软件开发领域迈向更智能、更高效的新时代。
