[论文阅读] AI + 软件工程 | 从1对1到规模化，Lacy用AI+专家代码漫游重构软件入职指导

从1对1到规模化，Lacy用AI+专家代码漫游重构软件入职指导

论文信息

• 原标题：LACY: Simulating Expert Mentoring for Software Onboarding with Code Tours
• 主要作者及机构：Zeynep Begüm Kara（比尔肯大学）、Aytekin İsmail（比尔肯大学）、Selin Şirin Aslangül（倍科伊斯坦布尔）等；合作机构为土耳其比尔肯大学、跨国企业倍科（Beko）伊斯坦布尔分部
• 发表会议：34th ACM Symposium on the Foundations of Software Engineering (FSE '26)
• GB/T 7714引文格式：KARA Z B, İSMAİL A, ATEŞ E, et al. LACY: Simulating Expert Mentoring for Software Onboarding with Code Tours[C]//Companion Proceedings of the 34th ACM Symposium on the Foundations of Software Engineering (FSE '26). Montreal: ACM, 2026.

研究背景

软件行业的新员工入职熟悉代码库，是所有企业都绕不开的难题。想象一下：一个新人接手数万行的遗留代码，文档要么缺失要么过时，想请教资深同事，却发现专家们要为每个新人重复10-20小时的代码讲解，不仅挤占核心开发时间，还容易因人员流动导致关键知识随人走------这就是行业里的"总线因子"问题，少数人掌握核心代码逻辑，他们离开后团队就会陷入知识真空。

此前行业的解决办法都有明显短板：

1. 纯专家一对一指导：效果最好，但成本高、无法规模化，重复讲解还会大幅降低专家生产力；
2. 传统文档：匮乏且易过时，往往只适合懂行的人查阅，新人根本抓不到重点；
3. 纯AI工具（如GitHub Copilot） ：只能解释单个代码片段，无法实现代码库的全局理解，更抓不住企业独有的业务逻辑、设计决策等隐性知识。

而现有代码漫游工具要么需要专家手动耗时创作，要么纯AI生成缺乏行业语境，均未融入企业实际工作流。简单来说，行业急需一种能保留专家指导价值、同时实现规模化复用、还能适配工业场景的软件入职解决方案。

创新点

这篇论文的核心创新在于打造了首个人机混合的AI+专家协同代码漫游系统，打破了"纯人工低效、纯AI无效"的行业困境，其独特亮点体现在4个方面：

1. 创作模式创新：将AI生成的通用代码讲解与专家的人工精校结合，AI负责提效，专家负责注入企业隐性知识，兼顾效率与知识深度；
2. 知识捕获创新 ：设计Voice-to-Tour语音转漫游功能，实时捕获专家日常讲解的自然对话，直接转化为结构化代码漫游，让"口口相传"的知识变成可复用资产，无需专家额外花时间写文档；
3. 功能生态创新：围绕代码漫游打造全流程配套功能（测验、播客、异步问答、专家仪表盘），模拟线下专家指导的完整体验，而非单一的代码讲解工具；
4. 落地模式创新：以VS Code扩展形式实现，深度集成开发者日常工作的IDE环境，无需切换工具，低学习成本融入企业现有工作流。

一段话总结

本文提出首个人机混合的AI+专家协同代码漫游系统Lacy ，该系统以VS Code扩展为载体，基于与跨国企业Beko长达一年的合作提炼出8项工业需求设计，核心包含引导式漫游（专家+AI） 和探索式漫游（纯AI） 两类代码漫游及Voice-to-Tour、测验、专家仪表盘等配套功能；研究团队在Beko的3万行遗留金融系统Bankhet开展受控实验，招募2名资深专家和5名真实开发者参与，结果显示使用引导式漫游的学习者测验得分达83% （纯AI为57%），专家创作漫游的负担显著低于现场讲解，且Lacy能无缝融入企业工作流，Beko已正式采用该系统 用于组织级入职培训，作者同时开源了代码和研究工具包，为软件入职培训领域提供了可落地的人机协作解决方案。

详细总结

一、研究背景与行业痛点

1. 通用行业问题
   软件新员工入职熟悉陌生代码库需3-6个月 ，专家一对一代码讲解是最有效的方式，但存在成本高、重复劳动、无法规模化 的问题；纯AI工具（GitHub Copilot/Cursor）仅能解释单个代码片段，无法实现全局理解，也无法捕捉企业隐性知识、业务逻辑和设计决策；传统文档匮乏、易过时，且仅适用于有基础的开发者，新人难以上手。
2. Beko企业具体痛点
   • 入职依赖非正式一对一指导，资深开发者为每位新员工花费10-20小时且重复讲解，上下文切换带来高认知负荷；
   • 新人因不愿打扰同事、不知如何提问，仅在必要时求助，学习效率低；
   • 关键代码库知识集中在1-2人手中，存在"总线因子"问题，人员流失即知识流失；
   • 传统文档几乎缺失且易过时，纯AI工具无法识别占比20% 的核心业务逻辑代码，无法替代专家指导。
3. 现有方案缺陷
   手动代码漫游创作耗时，纯AI代码漫游缺乏专家洞见，均未融入工业工作流，也无配套的理解评估、异步沟通机制，无法模拟专家指导的完整体验。

二、核心设计：Lacy人机混合代码漫游系统

1. Lacy为VS Code扩展 ，设计基于与Beko一年合作（20+场会议/调研/访谈）提炼的8项工业需求，核心是人机混合的代码漫游创作模式 ，区分代码库专家 和代码库学习者两大可切换角色，所有功能均支持异步沟通，实现专家一次创作、多学习者复用。

2. 两类核心代码漫游

   • 引导式漫游 ：专家专属，为核心学习资源，支持AI辅助、手动、Voice-to-Tour三种创作方式；AI生成初稿，专家精校补充隐性知识，完成后分配给学习者，能精准传递企业业务逻辑和设计决策。
   • 探索式漫游：所有用户可创建，纯AI生成，无专家输入，作为代码库入门临时工具，弥补引导式漫游的覆盖空白，存在讲解浅表化的风险。

3. 关键配套功能

   • Voice-to-Tour：实时捕获专家日常讲解的语音和代码上下文，由LLM转化为结构化代码漫游，实现"口口相传"知识的数字化留存；
   • 播客：将漫游内容转化为专家与学习者的对话式音频，适配不同学习偏好，支持边听边探索代码；
   • 测验：基于漫游内容由AI生成初稿、专家精校，题目关联漫游步骤，学习者可查漏补缺，专家可通过结果优化漫游；
   • 笔记/问答/反馈：学习者可在漫游步骤添加私人笔记，异步向专家提问，也可对漫游评分，形成迭代优化；
   • 专家仪表盘：监控学习者漫游完成度、测验成绩，聚合团队数据，作为异步问答枢纽和入职进度管理工具，可识别知识缺口。

4. 系统架构与创作流水线

   • 核心架构：3大模块，分别为上下文与提示词准备 、AI驱动的代码漫游生成 （采用Google Gemini-2.5-Flash，支持本地模型）、协作评审与反馈，实现从输入到发布、学习、反馈的全闭环；
   • 三大创作流水线：AI辅助引导式漫游、手动引导式漫游、纯AI探索式漫游，覆盖从"全人工"到"全AI"的创作光谱，适配不同企业场景。

三、工业实验验证：Beko Bankhet系统案例

1. 实验对象与场景
   • 实验场景：Beko的Bankhet遗留金融系统 ，2007年开发的VB.NET项目，30K+行代码，为企业核心业务系统，文档匮乏、知识集中在2名已转管理岗的专家手中，是典型的入职痛点场景；
   • 实验参与者：2名领域专家 （16/22年工作经验，掌握Bankhet核心知识）、5名真实开发者（3名新员工+2名跨项目开发者，平均4.6年编程经验，无Bankhet相关经验）；
   • 参与者背景：80%的学习者仅有非正式导师，40%需5个月以上 才能独立工作；专家为每位新员工花费20-40小时，且反复讲解相同内容（4.5/5分），认为知识流失是重大组织问题（4.0/5分）。
2. 实验设计
   • 采用被试内设计 ，对比引导式漫游（专家+AI+播客） 和探索式漫游（纯AI） 两种条件，平衡学习效应；
   • 无传统文档基线（Bankhet无相关文档），学习者完成两场各60分钟的学习任务，覆盖不同系统功能；
   • 专家A创作2份引导式漫游及10题测验，专家B独立设计评估量表，对学习者的口头代码解释进行盲评，避免评估偏差。
3. 数据收集
   收集测验得分（0-100）、专家盲评理解分、前后测调研问卷（70题）、屏幕录制行为数据、观察者笔记，多维度三角验证结果。

四、实验核心结果

围绕3大研究问题（RQ）验证Lacy的有效性，核心数据对比见下表：

研究问题	对比维度	引导式漫游（专家+AI）	探索式漫游（纯AI）	核心结论
RQ1：专家支持效果	创作认知负荷、时间成本、知识复用	认知负荷4.5/5，创作仅需30分钟/份，知识可反复复用	-	大幅降低专家负担，AI初稿可靠仅需微调，解决重复讲解问题
RQ2：学习者理解效果	测验得分、专家盲评分、完成时间	83%、79%、约25分钟	57%、76.8%、约35分钟	理解效果和效率显著更优，能有效模拟专家指导（4.2/5分）
RQ3：组织集成效果	工作流适配性、单学习者专家时间、知识留存	适配性4.0/5分，30/N分钟，固化核心业务逻辑	-	无缝融入现有工作流，实现规模化成本节约，解决知识流失

1. 专家维度
   • 创作漫游的认知负荷远低于现场讲解和传统文档编写（4.5/5分），入职指导时间从数小时缩短至几分钟的漫游配置；
   • AI生成的初稿可靠，专家仅需微调（调整复杂度、补充领域语境、标注边界情况），无需修正错误；
   • 漫游成为可复用知识资产，缓解了知识集中的风险，两位专家均表示会持续使用Lacy。
2. 学习者维度
   • 引导式漫游的测验得分比纯AI高26个百分点，完成时间短10分钟，专家盲评理解分也更高；
   • 学习者认为两种漫游均能模拟专家讲解（引导式4.2/5，探索式3.8/5），结构化漫游解决了"不知从何入手"的问题，能快速建立全局认知；
   • 所有学习者表示Lacy优于此前的入职体验（60%远好，40%稍好），且完成漫游后会完全减少向专家提问的次数（5.0/5分），大幅降低对专家的依赖。
3. 组织维度
   • Lacy易融入企业现有工作流，专家学习曲线低（3.5/5分），更新漫游比传统方式更高效（4.0/5分）；
   • 量化成本节约：创作1份引导式漫游需30分钟，可服务N名学习者，单学习者的专家时间从现场讲解的20分钟降至30/N分钟，规模化效应显著；
   • 解决组织级"总线因子"问题，固化核心业务逻辑和设计决策，还可应用于实习生短期培训、危机场景的快速代码熟悉。

五、研究贡献、经验教训与未来工作

1. 四大核心研究贡献
   • 基于一年工业合作，首次提炼出8项软件入职工具的核心工业需求，为后续工具设计提供行业参考；
   • 设计并实现Lacy人机混合代码漫游系统，首个将AI生成内容与专家精校结合的代码漫游方案，同时解决专家和学习者的入职痛点；
   • 在真实工业场景中验证了AI+专家代码漫游的可行性，为代码漫游的工业化应用提供可复现框架；
   • 在Beko生产环境部署并被企业正式采用，开源代码和研究工具包（地址：https://figshare.com/s/6a261d3382b116d8494f）。
2. 三大经验教训
   • 代码漫游是理想的情境化专家指导载体，IDE集成的结构化漫游比孤立文档更适合软件入职培训；
   • 拥抱人机混合创作模式，AI负责提效（初稿、结构化），专家负责赋智（隐性知识、业务逻辑），平衡效率和知识深度；
   • 实时捕获专家自然讲解时刻的知识（如Voice-to-Tour），降低文档创作摩擦，实现隐性知识的高效留存。
3. 效度威胁
   • 结果依赖LLM性能和专家输入，不同代码库、企业场景效果可能存在差异；
   • 部分企业因数据安全原因无法使用外部LLM，Lacy支持本地模型部署可解决该问题；
   • 研究样本量较小，调研数据基于自我报告存在主观性；
   • 代码库迭代可能导致漫游过时，但漫游轻量易更新，风险低于传统文档。
4. 未来工作方向
   • 从代码库分析、版本控制、设计文档中自动生成代码漫游；
   • 为新员工设计入门实现任务，替代单一的测验评估方式；
   • 丰富多模态学习体验，优化播客等功能，提升学习效果；
   • 拓展Lacy的应用场景，如软件维护、团队知识共享等。

六、研究结论

Lacy作为首个人机混合的AI+专家协同代码漫游系统 ，成功解决了软件入职培训中"专家指导低效、纯AI工具无效、传统文档无用"的核心痛点，通过将专家的临时讲解转化为可复用、可规模化的IDE集成式代码漫游资产，实现了降低专家负担、提升学习者理解效果、无缝融入企业工作流的三重目标。该系统已被Beko正式采用为组织级入职培训工具，其"AI提效+专家赋智"的人机协作模式，不仅为软件入职培训领域提供了可落地的解决方案，也为AI与软件工程的融合研究提供了新的思路，同时为其他知识密集型行业的培训问题提供了参考。

---

关键问题

问题1（设计层面）：Lacy与现有代码漫游工具（如Microsoft CodeTour、Balfroid方案）的核心区别是什么？

答案：Lacy的核心区别是首创人机混合的AI+专家协同创作模式 ，而现有工具要么是纯手动创作（Microsoft CodeTour），要么是纯AI生成且聚焦调试场景（Balfroid方案）；此外，Lacy围绕代码漫游打造了全流程配套功能生态 （Voice-to-Tour、播客、测验、专家仪表盘等），支持异步沟通和入职进度管理，且聚焦软件入职培训场景并完成工业落地，而现有工具无配套功能、未融入企业工作流，也无工业可行性验证。

问题2（实验层面）：Lacy的引导式漫游相比纯AI的探索式漫游，为何能带来更优的学习者理解效果？

答案：核心原因是专家的人工精校为漫游注入了企业特有的隐性知识、业务逻辑和设计决策，让漫游形成了更聚焦、更高效的结构化学习路径；而纯AI漫游仅能解释通用代码模式，无法识别核心业务逻辑，也无法提供符合企业实际的学习指引，即便讲解表面流畅，也存在理解浅表化的问题；实验数据也显示，引导式漫游虽步骤多3-5步，但完成时间更短，说明专家Curation让学习路径更清晰，大幅提升了学习效率和理解深度。

问题3（落地层面）：Lacy能被Beko成功落地并规模化使用的核心因素有哪些？

答案：核心因素包含三点：1. 贴合工业实际需求 ，Lacy的所有设计均基于与Beko一年的合作提炼，精准解决了企业的专家负担、知识流失、新人学习低效等真实痛点；2. 低使用成本与高适配性 ，以VS Code扩展形式实现，深度集成开发者日常工作环境，学习曲线低，无需切换工具，能无缝融入企业现有工作流；3. 量化的价值与可复用性，将专家的重复指导时间转化为一次性的漫游创作，实现了入职培训的规模化成本节约，同时将隐性知识固化为可复用的组织资产，解决了企业的"总线因子"核心风险，为组织带来了长期价值。

研究方法和思路

研究团队与倍科（Beko）展开为期一年的工业合作，通过"问题发现-系统设计-工业部署与实验验证"三步法完成研究，全程贴合企业实际需求，而非纯实验室研究，具体步骤如下：

步骤1：挖掘工业真实需求

与倍科的产品、工程负责人、资深开发者、新员工开展20+场会议、调研和访谈，梳理出软件入职工具的8项核心工业需求（如捕获并规模化专家指导、降低专家创作负担、保留隐性知识等），为Lacy设计定下核心方向。

步骤2：设计Lacy系统架构与功能

基于工业需求，设计以代码漫游 为核心的VS Code扩展系统，明确专家 和学习者两大角色（可随项目切换），打造三大核心体系：

1. 两类代码漫游 ：专家主导的引导式漫游 （AI辅助生成+专家精校，核心学习资源）、学习者自主的探索式漫游（纯AI生成，入门临时工具）；
2. 三大创作流水线：AI辅助引导式漫游、手动引导式漫游、纯AI探索式漫游，适配不同企业场景；
3. 全配套功能 ：Voice-to-Tour、漫游播客、理解测验、笔记/异步问答/反馈、专家仪表盘，覆盖"知识创作-学习-评估-反馈"全流程。
   系统底层采用Google Gemini-2.5-Flash大模型，同时支持本地模型部署，满足企业数据安全需求。

步骤3：工业场景实验验证

选择倍科3万行遗留金融系统Bankhet（典型痛点场景：文档匮乏、知识集中在2名专家手中）开展受控实验，验证Lacy的有效性：

1. 实验对象：2名拥有16-22年经验的领域专家、5名真实的新入职/跨项目开发者（平均4.6年编程经验，对该系统无了解）；
2. 实验设计 ：采用被试内设计 ，让学习者分别使用引导式漫游（专家+AI） 和探索式漫游（纯AI） 完成学习任务，平衡学习效应；
3. 评估维度：通过测验成绩、专家盲评的理解评分、调研问卷、行为数据，回答三大研究问题（RQ）：Lacy对专家的支持效果、对学习者的理解提升效果、对企业工作流的集成效果；
4. 数据收集：收集测验得分、专家评分、前后测调研、屏幕录制、观察者笔记等多维度数据，三角验证结果。

主要成果和贡献

一、核心实验成果

研究团队通过实验验证了Lacy在专家支持、学习者理解、组织集成三大维度的显著效果，核心对比数据和结论如下表：

研究问题（RQ）	核心对比实验	关键结果	核心结论
RQ1：Lacy对专家的支持效果	专家创作漫游vs传统现场讲解/文档编写	1. 创作漫游认知负荷远低于传统方式（4.5/5）；2. AI初稿可靠，专家仅需微调；3. 专家入职指导时间从数小时缩至几分钟	Lacy大幅降低专家负担，解决重复讲解问题，将临时指导转化为可复用知识资产
RQ2：Lacy对学习者的理解提升效果	引导式漫游（专家+AI）vs探索式漫游（纯AI）	1. 测验得分：83% vs 57%（+26个百分点）；2. 专家盲评理解分：79% vs 76.8%；3. 完成时间：25分钟 vs 35分钟；4. 学习者对引导式漫游的专家模拟评分达4.2/5	专家+AI的混合模式显著提升学习者代码理解效率和效果，能有效模拟线下专家指导
RQ3：Lacy的组织集成效果	Lacy融入倍科现有工作流的实际表现	1. 专家适配评分4.0/5，学习曲线低；2. 单学习者专家时间从20分钟降至30/N分钟（N为使用人数）；3. 成功缓解"总线因子"风险，保留核心业务逻辑	Lacy能无缝融入企业工作流，实现规模化成本节约，解决组织级知识流失痛点

此外，所有学习者表示Lacy优于此前的入职体验（60%认为远好，40%认为稍好），且完成漫游后会完全减少向专家的提问次数，大幅降低新人对专家的依赖。

二、研究贡献

该研究为软件入职培训领域带来了理论+工业落地的双重价值，四大核心贡献清晰且实用：

1. 提炼工业需求：基于一年的企业合作，首次梳理出软件入职工具的8项核心工业需求，为后续相关工具设计提供了行业参考；
2. 提出系统方案：设计并实现了Lacy系统，首次将人机混合模式融入代码漫游，同时解决了专家和学习者双方的入职痛点；
3. 验证技术可行性：在真实工业场景中验证了AI+专家代码漫游的可行性，为代码漫游的工业化应用提供了可复现的框架；
4. 开放研究资源 ：在倍科生产环境部署Lacy并被企业正式采用，同时开源代码和研究工具包，地址：https://figshare.com/s/6a261d3382b116d8494f。

三、行业价值

对软件企业而言，Lacy的落地价值体现在三个方面：

1. 降本：将专家的重复指导时间转化为一次性的漫游创作，实现入职培训的规模化成本节约；
2. 提效：让新员工快速建立代码库全局认知，大幅缩短从入职到独立工作的时间（倍科新人原需2个月，使用Lacy后大幅缩短）；
3. 保知识：将专家的隐性知识固化为可复用的代码漫游资产，彻底解决"人员走、知识走"的总线因子问题。

总结

本文针对软件行业新员工入职培训中"专家指导低效、纯AI工具无效、传统文档无用"的核心痛点，与跨国企业倍科合作设计并实现了Lacy------一款以人机混合代码漫游为核心的VS Code扩展系统。该系统首次将AI生成的通用内容与专家的人工精校结合，通过Voice-to-Tour、理解测验、专家仪表盘等全配套功能，模拟线下专家一对一指导的完整体验，同时实现知识的规模化复用。

研究团队在倍科的3万行遗留金融系统开展了真实的工业实验，验证了Lacy能大幅降低专家负担、显著提升新员工的代码理解效果，且能无缝融入企业现有工作流。目前Lacy已被倍科正式采用为企业级入职培训工具，相关代码和研究工具包已开源。该研究不仅为软件入职培训提供了可落地的解决方案，也为AI与软件工程的人机协作研究提供了新的思路，其打造的"AI提效+专家赋智"模式，也为其他知识密集型行业的培训问题提供了参考。