awesome-machine-learning-on-source-code

GitHub
6.5k 837 非常简单 1 次阅读 2天前CC-BY-SA-4.0开发框架
AI 解读 由 AI 自动生成，仅供参考

awesome-machine-learning-on-source-code 是一个精心整理的开源资源库，专注于“机器学习应用于源代码”（MLonCode）这一前沿领域。它汇集了该方向优质的研究论文、数据集、软件项目、技术会议及相关博客文章，旨在为探索代码智能的从业者提供一站式知识导航。

在软件开发日益复杂的今天，如何利用人工智能理解、生成、优化甚至修复代码成为关键挑战。这份清单系统地梳理了从程序合成、代码补全、缺陷检测，到代码翻译、摘要生成及克隆检测等核心应用场景的最新成果，帮助使用者快速把握技术脉络，避免在海量文献中迷失方向。

该资源特别适合人工智能研究人员、软件工程学者以及致力于开发智能编程辅助工具（如 AI 结对程序员）的开发者使用。虽然原仓库已停止主动维护，但其沉淀的分类体系极具价值，且文中指引了活跃的替代项目（ml4code.github.io），确保用户能持续获取前沿资讯。其独特的亮点在于高度结构化的分类目录，将跨学科的复杂研究清晰拆解，让无论是学术界还是工业界的用户都能高效找到所需的技术灵感与数据支持，是进入代码智能领域的理想起点。

使用场景

某大型金融科技公司的高级架构师正带领团队重构核心交易系统的遗留代码库，急需引入基于机器学习的智能化工具来提升代码质量与开发效率。

没有 awesome-machine-learning-on-source-code 时

  • 文献检索如大海捞针：团队需要在海量学术数据库中手动筛选关于“代码克隆检测”或“自动缺陷修复”的论文，耗时数周仍难以找到最新且适用的算法。
  • 技术选型缺乏依据：由于不了解业界现有的成熟数据集（Datasets）和基准测试，团队不得不从零开始构建训练数据，导致项目启动严重滞后。
  • 重复造轮子现象严重：开发人员不知道已有开源项目实现了类似的“代码补全”或“程序翻译”功能，浪费大量人力重新编写基础模型代码。
  • 前沿动态掌握滞后：团队错过了 ICSE、ASE 等顶级会议中关于 MLonCode 的最新研究成果，导致技术方案停留在过时的统计方法上，无法利用深度学习优势。

使用 awesome-machine-learning-on-source-code 后

  • 精准定位核心资源：通过分类清晰的论文列表，团队在半天内就锁定了针对 Java 遗留代码的“程序修复”最先进算法及相关实现代码。
  • 直接复用高质量数据：利用列表中整理的专用数据集，团队迅速完成了模型预训练，将原本需要一个月的数据准备期缩短至三天。
  • 站在巨人肩膀上创新：参考列表中推荐的软件项目（Software），团队直接集成了成熟的代码嵌入（Embeddings）模块，专注于业务逻辑优化而非底层架构。
  • 紧跟学术与工业界趋势：借助更新的会议链接和综述（Digests），团队及时采纳了最新的神经网络架构，显著提升了代码建议的准确率。

awesome-machine-learning-on-source-code 将分散的科研宝藏转化为可落地的工程指南，让团队从繁琐的调研中解放出来，专注于解决真正的业务难题。

运行环境要求

GPU

未说明

内存

未说明

依赖
notes该仓库是一个 curated list（精选列表），主要收集了关于源代码机器学习的研究论文、数据集和软件项目链接，本身不是一个可运行的软件工具或框架，因此没有具体的运行环境、依赖库或硬件需求。README 明确指出该仓库已不再维护。
python未说明
awesome-machine-learning-on-source-code hero image

快速开始

源代码上的优秀机器学习 源代码上的优秀机器学习 CI 状态

源代码上的优秀机器学习

注意：此仓库已不再积极维护，将不会进行任何进一步的更新，也不会回复或处理任何问题和拉取请求。 一个替代的、仍在积极维护的版本可以在 ml4code.github.io 仓库 中找到。

一份精心整理的优秀研究论文、数据集和软件项目的列表，专注于机器学习与源代码的研究。#MLonCode

目录

  • 文章
  • 演讲
  • 软件
  • 数据集
  • 致谢
  • 贡献
  • 许可证

    • 摘要

    会议

    竞赛

    • CodRep - 自动程序修复竞赛：给定一行源代码，找出插入点。

    论文

    程序合成与归纳

    源代码分析与语言建模

    神经网络架构与算法

    软件工程中的嵌入技术

    程序翻译

    代码建议与补全

    程序修复与缺陷检测

    API与代码挖掘

    代码优化

    主题建模

    情感分析

    代码摘要

    克隆检测

    可微分解释器

    相关研究

    AST差异分析

    二值数据建模

    使用t混合模型的软聚类

    自然语言解析与理解

    文章

    演讲

    软件

    机器学习

    • 可微神经计算机（DNC） - 可微神经计算机的 TensorFlow 实现。
    • sourced.ml - 从源代码语法树中提取特征，并用于处理机器学习模型。
    • vecino - 查找相似的 Git 仓库。
    • apollo - 大规模的源代码去重研究项目。
    • gemini - 大规模的源代码去重生产工具。
    • enry - 极其快速的基于文件内容的编程语言检测器。
    • hercules - 基于 go-git 的电池级 Git 仓库挖掘框架。
    • DeepCS - DeepCS（深度代码搜索）的 Keras 和 PyTorch 实现。
    • Code Neuron - 用于在自然语言文本中检测代码块的循环神经网络。
    • Naturalize - 与语言无关的框架，可以从代码库中学习编码规范，并利用这些信息为代码建议更好的标识符名称和格式化更改。
    • 极端源代码摘要 - 卷积注意力神经网络，仅通过查看源代码标记即可学习将源代码总结为类似短方法名的摘要。
    • 使用神经注意力模型总结源代码 - CODE-NN 使用带有注意力机制的 LSTM 网络，生成描述 StackOverflow 上 C# 代码片段和 SQL 查询的句子。基于 Torch 的 C#/SQL 模型。
    • 概率 API 挖掘器 - 几乎无需参数的概率算法，用于从一系列 API 调用序列中挖掘最有意思的 API 模式。
    • 有趣序列挖掘器 - 基于概率模型的新颖算法，能够高效地直接从数据库中推断出有趣的序列。
    • TASSAL - 使用自动折叠功能对源代码进行自动摘要的工具。自动折叠会通过折叠非关键代码和注释块来创建源代码文件的摘要。
    • JNice2Predict - 高效且可扩展的开源结构化预测框架，使开发者能够更快地构建新的统计引擎。
    • Clone Digger - 用于 Python 和 Java 的代码克隆检测工具。
    • Sensibility - 使用 LSTM 检测并修复 Java 源代码中的语法错误。
    • DeepBugs - 从现有代码语料库中学习缺陷检测器的框架。
    • DeepSim - 基于深度学习的方法，用于衡量代码的功能相似性。
    • rnn-autocomplete - 使用 RNN 的神经网络代码补全（本科毕业论文）。
    • MindsDB - MindsDB 是面向开发者的可解释 AutoML 框架。借助 MindsDB，只需一行代码即可构建、训练和使用最先进的机器学习模型。

    工具

    • go-git - 高度可扩展的纯 Go 实现的 Git 库，非常适合数据挖掘。
    • bblfsh - 自托管的源代码解析服务器。
    • engine - 可扩展且分布式的源代码数据检索管道。
    • minhashcuda - 在 CUDA 上实现的加权 MinHash，用于高效查找重复项。
    • kmcuda - 在 CUDA 上实现的 k-means 算法，用于聚类并在密集空间中搜索最近邻。
    • wmd-relax - 一个 Python 包，用于以 Word Mover's Distance 寻找最近邻。
    • Tregex、Tsurgeon 和 Semgrex - Tregex 是一种基于树状关系和节点上的正则表达式匹配来匹配树中模式的工具（该名称是“tree regular expressions”的缩写）。
    • source{d} models - 使用 source{d} 技术栈训练的 MLonCode 机器学习模型。

    数据集

    致谢

    贡献

    请参阅CONTRIBUTING.md。简而言之：创建一个拉取请求，并按照贡献说明签署确认。

    许可证

    许可证：CC BY-SA 4.0

    相似工具推荐

    stable-diffusion-webui

    stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。

    ★ 162.1k|★★★☆☆|今天
    开发框架图像Agent

    everything-claude-code

    everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上

    ★ 139k|★★☆☆☆|今天
    开发框架Agent语言模型

    ComfyUI

    ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。

    ★ 107.7k|★★☆☆☆|2天前
    开发框架图像Agent

    NextChat

    NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。

    ★ 87.6k|★★☆☆☆|今天
    开发框架语言模型

    ML-For-Beginners

    ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。

    ★ 85k|★★☆☆☆|今天
    图像数据工具视频

    ragflow

    RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。

    ★ 77.1k|★★★☆☆|昨天
    Agent图像开发框架