ASE（智能体软件工程）——项目说明

它是什么

ASE是一个精心挑选的1,663篇研究论文集合，主题为智能体软件工程——即使用AI智能体/大型语言模型（LLM）来执行软件工程任务。这些论文来自软件工程、编程语言、安全和自然语言处理领域的主要会议。该项目还附带一个自动论文标注技能：一个基于Claude Code构建的管道，读取原始会议录文件（BibTeX或HTML格式），挑选相关论文，按主题分类，并将其合并到数据库中——几乎无需人工操作。

数据库/网站

论文可通过网站浏览（本地打开web/index.html，或在线浏览）。界面支持：

全文搜索，涵盖标题和摘要
年份和会议筛选——独立的单选下拉框；会议名称已规范化（例如，“ICSE”匹配所有ICSE年份）
标签筛选——从侧边栏或点击论文卡片上的标签胶囊选择一个或多个研究主题；多个标签以AND逻辑组合
可展开摘要——点击任何论文卡片以显示其摘要
活动筛选摘要——每个活动约束显示为工具栏下方的可移除标签

所有筛选维度（年份、会议、标签）都是可选的，并以AND逻辑组合：仅显示满足所有活动约束的论文。

范围和追踪的会议

论文系统收集自2023-2026年所有已公开发布的会议录，以及早期年份（2020-2022）和其他会议的最佳努力选择。

按领域追踪的会议：

软件工程：ICSE（2023-2025）、FSE（2023-2025）、ASE（2023-2025）、ISSTA（2022-2025）、TSE（2023-2024）、TOSEM（2023-2024）
编程语言：PLDI（2023, 2025）、OOPSLA（2023-2025）、POPL（2025）、CC（2025）、COLM（2025）
安全：S&P（2023-2025）、USENIX Security（2023-2025）、CCS（2023-2025）、NDSS（2024-2026）、RAID（2023）
自然语言处理：ACL（2023-2025）、EMNLP（2020, 2023-2025）、NAACL（2024-2025）
机器学习：ICML（2021, 2023-2025）、NeurIPS（2022-2024）、ICLR（2021, 2023-2025）

2023-2026年各会议发表数量（如README表格所示）：

软件工程（来自表格）：ICSE 166, FSE 130, ASE 292, ISSTA 98 → 总计686
编程语言（来自表格）：PLDI 6, OOPSLA 34, POPL 1 → 总计41
安全（来自表格）：CCS 47, USENIXSec 41, S&P 22, NDSS 55 → 总计165（含NDSS 2026数据）
自然语言处理（来自表格）：ACL 294, EMNLP 250, NAACL 22 → 总计566
（机器学习数量未在README中以表格形式细分）

论文如何组织（分类法）

论文使用两级分类法进行分类：9个顶级类别和47个子类别。一篇论文可以携带多个标签。分类法有三个超级组：

1. 用于软件工程的智能体——LLM或AI智能体应用于核心软件工程任务的论文：

代码生成（750篇）——子类别包括程序合成（410）、程序修复（223）、代码翻译（69）、代码补全（68）、重构（37）、反编译（23）
静态分析（446篇）——子类别包括缺陷检测（249）、代码摘要（67）、代码搜索（51）、程序验证（44）等
动态分析（287篇）——子类别包括测试用例生成（118）、模糊测试（58）、领域特定测试（56）、调试（40）等
代码模型（427篇）——模型训练（407）、二进制和IR模型（35）
其他软件工程任务（96篇）——文档/注释/提交消息生成（35）、日志分析（34）、代码审查（29）

2. 智能体设计与分析——关于智能体架构和面向代码的LLM的安全/保障的研究：

智能体设计（328篇）——规划（206）、工具使用（156）、多智能体（96）、内存管理（30）
模型安全与保障（267篇）——对抗性攻击（85）、越狱（66）、安全代码生成（65）、记忆（40）、后门检测（36）、水印（35）
智能体安全与保障（97篇）——提示注入（73）、智能体防御（36）、访问控制（12）

3. 评估——评估LLM/智能体代码能力的基准、实证研究和调查：

评估（914篇）——实证研究（620）、基准（392）、调查（26）

论文如何被选中（四阶段管道）

每个会议的会议录通过以下步骤处理：

提取——从BibTeX或HTML文件解析标题和摘要
筛选——保留标题或摘要同时包含LLM相关术语（例如，“large language model”、“GPT”、“agent”）和代码相关术语（例如，“program”、“software”、“testing”、“verification”）的论文；此关键词通过故意宽松（高召回率）
分类——将每个候选发送到Claude API，验证相关性并分配分类法标签；仅当LLM或AI智能体是核心贡献时才包含论文，而不仅仅是基线或比较
合并——将分类后的论文添加到规范数据库（data/labeldata/labeldata.json）并重新生成网站

自动论文标注技能

所有脚本位于.claude/skills/paper-labeler/scripts/。

先决条件：pip install boto3 requests（boto3用于通过AWS Bedrock调用Claude API，requests用于NDSS抓取）。标注步骤需要AWS凭证；仅筛选步骤不需要。

选项A——批处理模式（推荐）：扫描rawdata文件夹，跳过data/venues.json中已记录的会议，为每个新会议运行完整管道，并重建网站。示例：

python process_folder.py --dry-run——预览将处理的内容
python process_folder.py——处理data/rawdata/下的所有新会议
python process_folder.py data/rawdata/2025/——仅处理特定年份
python process_folder.py --filter-only——仅关键词筛选，无API调用，无合并
关键选项：--model、--region、--delay SECONDS、--no-rebuild

选项B——手动逐会议管道（用于更精细控制）：

提取——extract_papers.py读取BibTeX（大多数会议）或ACL Anthology HTML；NDSS HTML仅包含标题，因此使用fetch_ndss_abstracts.py单独获取摘要
筛选和标注——label_papers.py，使用--phase filter（无需凭证）、--phase label（需要AWS凭证）或--phase all
合并——merge_labeldata.py（支持--dry-run预览而不写入）
重建网站——build_site.py → 输出web/index.html

通过Claude Code使用：管道可以对话式调用，例如，“处理ASE2025原始数据”、“标注data/rawdata/2025/CCS2025.bib中的论文”、“重建网站”——Claude Code自动调用技能并运行正确的命令。

支持的输入格式：BibTeX（.bib）用于大多数会议，摘要内联；ACL Anthology HTML（.html）用于ACL、EMNLP和一些NAACL年份；NDSS HTML（.html）摘要单独抓取。

脚本参考：process_folder.py（批处理模式）、extract_papers.py（步骤1）、fetch_ndss_abstracts.py（步骤1b）、label_papers.py（步骤2）、merge_labeldata.py（步骤3）、build_site.py（步骤4）、import_original.py（一次性导入旧论文）。

贡献

添加单篇论文：向data/labeldata/labeldata.json追加条目（字段包括标题、作者、年份、摘要、URL、会议和标签），确保标签来自分类法，重建网站，并打开拉取请求。
添加新会议：将.bib或.html文件放在data/rawdata/<year>/下，运行批处理管道，并打开包含原始数据文件和更新后的labeldata.json的拉取请求。
报告缺失论文：打开一个问题，包含会议名称和会议录链接；您也可以建议带有标签的具体论文。

扩展分类法

要跨相同会议追踪不同的研究主题，编辑.claude/skills/paper-labeler/SKILL.md中的两个部分：

## Relevance Criteria——关键词列表和Claude用于决定相关性的自然语言提示
## Label Taxonomy——两级类别层次；编辑后，保持build_site.py和label_papers.py中的TAXONOMY字典同步

然后对现有原始数据重新运行管道，以在更新后的分类法下重新分类论文。

注意事项/免责声明

该仓库仅用于研究目的。所有元数据来自ACM、IEEE和相应会议网站上公开可用的会议录页面。不包括或重新分发全文PDF。

联系方式：stephenw.wangcp@gmail.com 或 wang6590@purdue.edu。

PurCL/ASE