复旦大学软件工程实验室（CodeWisdom团队）介绍

     团队围绕智能化软件工程与系统开展研究，具体包括9个研究方向及相应的研究组，即：程序分析与智能化测试、软件分析与挖掘、软件供应链治理、软件智能化开发、AI原生与云原生系统、人工智能系统工程、人机物融合系统软件、机器人软件工程、智能汽车与工业软件。目前，团队已围绕相关研究形成良好的产学研合作关系，并瞄准软件产业智能化开发能力提升、开源软件生态治理、企业智能化转型发展、人机物融合泛在计算、智能汽车与智能制造基础软件等国家信息产业发展的重大战略需求进行布局。

在软件定义一切的时代，质量是软件成功的关键因素之一。面向软件质量保障工具的可靠性和可用性，团队聚焦静态程序分析和软件测试两个领域。我们基于抽象解释理论、内存模型、程序逻辑、程序语言理论和计算机系统等技术，设计和实现了一种多阶段的模块化分析平台；开放的架构助力分析能力的扩展，多阶段闭环迭代机制提升分析精度。我们探索大语言模型和传统测试方法的有机结合，面向移动应用、微服务系统、无人自主系统、网络通信协议等领域研究高效的测试技术。课题组的研究工作获得了国家自然科学基金面上项目和科技部重点研发项目的资助。相关成果发表在软件工程领域的顶级会议 ICSE、FSE、ASE、ISSTA 上，并荣获 ISSTA 杰出论文奖。多个项目成果在企业（荣耀、字节跳动、华为等）落地应用。

    大型复杂软件系统的长期开发与维护过程形成了大规模代码库，还沉淀了代码提交、需求讨论、缺陷分析等大量的开发过程数据。尽管以大模型和智能体为代表的 AI 编码技术极大提升了代码产出效率，但面对大型软件系统的多层次复杂性，如何充分利用软件开发过程中沉淀的各类数据与知识，提升开发质量，降低开发成本，减少代码隐患与维护难度，仍是一个不可回避的现实问题。本方向聚焦软件开发过程数据分析、代码演化追溯、依赖与架构分析、缺陷分析等关键技术，构建软件开发追溯体系，充分挖掘大型复杂软件系统长期演化中积累的开发数据与知识，建立基于时空追溯的软件研发数字化基座，实现代码溯源和辅助理解、架构演化分析、研发热点与态势研判、开发知识挖掘等多种软件分析与挖掘能力，为智能体和人类工程师的软件开发过程提供数据与知识支撑。本方向研制“祝融”代码大数据分析平台，实现面向代码编写和评审、架构分析与看护、开发历史决策回顾等多种应用场景的基础数据支持能力，并与华为、荣耀、中国电科32所、中汇信息、亿通、汇丰科技等企业开展技术合作。后续将进一步持续利用大模型和Agent等智能化基础设施，强化各类软件研发数据的分析挖掘能力，提升软件开发知识挖掘和演化态势研判的效果。

    针对日益严峻的软件供应链可信问题，团队围绕安全风险、合规风险、维护风险开展系统性研究工作。团队聚焦漏洞知识增强、漏洞传播影响分析、漏洞与恶意软件包检测、漏洞验证、补丁迁移、漏洞修复、组件迁移等关键任务，融合动静态分析、大模型、智能体等技术，研发了软件供应链风险治理平台“伏羲”，已累计检测到460+个新漏洞并申请50+个CVE，在NPM与PyPI生态中检测出3000+个恶意软件包，与华为、中科南京软件技术研究院等开展合作，相关工作获得4次ACM SIGSOFT、IEEE TCSE杰出论文奖。与此同时，团队围绕大模型供应链治理开展研究，重点关注供应链风险建模、模型依赖关系恢复、Skills与MCP运行时防护与恶意检测等方向。团队发布首个开源大模型系统供应链的系统定义与研究综述；首次在百万规模上刻画开源模型供应链结构与风险传播规律，揭示模型生态中隐式依赖复杂、风险传播链路不透明等问题，并在Hugging Face上的“孤立模型”场景中验证了模型隐式依赖关系的恢复能力；在MCP Server生态中检测多个高风险恶意Server。

    基于大模型与Agent的代码生成与理解已经被广泛应用于各类软件开发项目。然而，由于系统复杂性这一根本性挑战以及软件开发知识的缺失，大模型与Agent在面对真实软件开发任务时经常出现缺少全局理解、难以整体规划的问题，从而难以适应大规模复杂软件开发的需要。为此，我们在深入理解软件开发实践以及软件工程思想的基础上，从知识增强与过程驾驭两个方面研究并构建面向复杂软件智能化开发的方法体系与工具平台，支持生成式应用开发、软件理解与问题定位、仓库级代码生成与问题修复、代码审查与漏洞检测等任务。在知识增强方面，我们提出构建共建、共享、与代码同步演化的代码数字孪生，通过业务与设计知识的抽取、组织以及按需的上下文补充支持Agent自主探索分析以及人机协作智能化开发；在过程驾驭方面，我们通过设计感知的任务拆解与工作流管理、基于知识的工具与技能按需加载、基于可观测性数据分析的异常检测与干预优化提升Agent的持续高效工作能力。相关工作多次荣获ACM SIGSOFT以及IEEE TCSE杰出论文奖，与华为、阿里、字节、腾讯等企业开展合作，特性驱动的迭代式软件应用生成、基于代码数字孪生的软件理解与维护支持、静态检查误报消除及逻辑漏洞检测、知识增强的同源漏洞检测等多项成果在企业落地应用。

    以容器、微服务等为代表的云原生技术给现代软件架构、应用模式等带来了深刻改变，并已成为企业数字化转型的关键支撑技术。同时，以大模型、Agent为代表的AI技术也正在重塑现代应用形态。在此背景下，AI原生与云原生逐渐成为两种代表性的现代应用系统形态，同时二者不断融合、持续推动智能化软件系统创新发展。为此，我们围绕AI原生与云原生系统及应用生态构建方法开展研究，同时针对这类系统的复杂性和不确定性开展智能化运维方法研究。在智能体技术方面，我们针对GUI Agent以及Web/API混合Agent开展研究，实现并开源了基于大模型的自演进交互式智能体框架Fairy，并在智能体架构优化、智能体能力评估等方面取得了一系列成果。在智能体系统方面，我们面向企业智能化转型发展研究融合微服务等代码组件与Agent等AI组件的神经符号融合架构以及相应的自适应与自演化技术，实现智能与可信的有机融合与平衡。在智能体应用方面，我们构建了面向高校教学、学习与科研全过程的AI Agent平台Wisepen，支持资料管理、知识问答、作业指导、论文研写、教师助教与科研辅助等智能化场景以及相关智能化开放生态。我们构建的开源微服务基准系统TrainTicket已被上百家国内外高校和研究机构用于相关研究。此外，我们还构建了基于大模型Agent的AI云原生软件基准系统TripSphere。相关研究成果获得软件工程旗舰期刊《IEEE Transactions on Software Engineering》年度最佳论文奖，同时与华为、阿里、字节、腾讯等企业开展合作，系统架构评估、运行时异常检测、告警事件聚合、故障根因定位等研究成果在企业应用。

    人工智能系统具有复杂异构的软硬件技术栈，如何在开发和部署中确保系统可信、性能稳定、推理速度等成为人工智能系统工程中的关键挑战。在应用软件侧，团队围绕多场景智能体构建、智能体可信演化，以及运行时质量保障等角度开展研究工作，旨在实现人工智能系统的性能提升与质量保障。在系统软件侧，团队围绕系统推理优化、全局编译优化，以及高性能算子开发开展研究工作，旨在实现人工智能系统在各种边端云异构设备上的快速部署与高效运行。

    在人机物三元融合的万物智能互联时代，人机物融合系统软件可类比于传统计算机操作系统，是实现海量异构资源（信息服务、人力众包、物理设备）统一管理、支撑多领域智能化应用构建与运行的核心支柱。本小组围绕人机物融合系统软件的构造与应用开展了系列工作：以边缘云原生技术为基座，研制面向分级分层边缘环境的分布式系统软件，以软件定义的方式实现边缘侧计算、存储、网络、物理设备等异构资源的统一接入与池化；设计覆盖多边缘节点的集群管控与自治，以及跨节点资源互操作机制；构建人机物泛在环境的数字空间孪生，结合大模型、Agent等技术支持资源得按需编排与智能应用的快速构建；依托云边端协同的算力与设备能力调度，支撑应用高效、可靠执行。当前，本小组已经具有无人机、无人车、机器人、边缘计算盒等一系列专用硬件设备，已经研制出基于开源云原生边缘计算框架KubeEdge的云边协同人机物融合系统软件初始版本。在此基础上，小组计划进一步夯实系统软件能力，并在智慧城市设备联动、无人系统集群自治、船岸协同数据互联等真实场景中开展实践验证。

    随着人工智能技术的快速发展，智能机器人正逐步融入日常生活，并在越来越多的实际场景中承担复杂的任务。面对现实环境中对高可靠性长程任务的要求，课题组聚焦于将大模型（LLM、VLA、VLM等）与程序合成技术相结合，研究机器人程序自主生成方法，研究机器人任务执行过程中自主监控及问题检测方法、机器人程序与运行平台相结合的软件自适应方法，研究面向动态环境中机器人程序自主演化方法。课题组的研究受到上海市重大专项的资助，研究成果发表在人工智能领域NeurIPS、IJCAI等顶级会议上，并获得中国软件大会“机器人大模型与具身智能”挑战赛一等奖。

    工业软件在现代工业制造中扮演着“大脑”与“神经系统”的关键角色，是实现制造系统数字化、网络化与智能化的核心基础。智能汽车则被视为全球制造业的战略制高点，其发展不仅推动技术创新，也加速产业升级。两者均高度依赖系统的安全性、可用性与可靠性，对计算机技术，尤其是软件与人工智能提出了更高的技术要求。本团队以智能汽车与工业软件为主要应用场景，结合软件工程与系统观思想，面向嵌入式系统运行环境的复杂性和需求多样性，系统化开展共性基础软件研究。研究内容包括：分布式实时系统的设计与实现、嵌入式系统的智能化开发方法以及复杂嵌入式系统的功能测试与性能分析。在智能汽车领域，团队聚焦智能驾驶与控制系统，通过实验与仿真验证基础研究成果的有效性；在工业软件领域，则围绕数字孪生系统的构建，重点探索工业生产系统中的设备控制、数据采集与分析等关键技术。该研究旨在构建可复用的软件基础设施和工程方法，为提升智能制造与智能汽车系统的性能、可靠性与柔性化水平提供理论支撑和实践指导。