El dilema de los pocos tiros: provocar demasiado a los grandes modelos lingüísticos
Publicado en: Tercera Conferencia Internacional sobre Modelos Fundacionales y de Lenguaje Amplio (FLLM) de 2025
Yongjian Tang; Doruk Tuncel; Christian Koerner; Thomas Runkler
El exceso de indicaciones se produce cuando el exceso de ejemplos en las instrucciones degrada el rendimiento del LLM, lo que desafía las suposiciones tradicionales de aprendizaje de pocos intentos. Para estudiar este dilema, un marco inspirador evaluó el muestreo aleatorio, la incrustación semántica y la selección vectorial TF-IDF en modelos como GPT-4o, DeepSeek-v3 y LLAMA-3.1. Los resultados muestran que demasiados ejemplos específicos de un dominio perjudican paradójicamente la precisión. Probado en conjuntos de datos de requisitos de software, aumentando gradualmente los ejemplos estratificados y seleccionados por TF-IDF revelaron tamaños de mensaje óptimos. Este enfoque evita las indicaciones excesivas y, al mismo tiempo, supera en un 1% a la clasificación de requisitos más reciente.
Ver en la página del editor
Sistemas de agencia basados en LLM para la ingeniería de software: desafíos y oportunidades
Presentada a: SE2026, Gesellschaft für Informatik, Bonn
Yongjian Tang, Thomas Runkler
A pesar de los avances en la LLM, las complejas tareas de ingeniería de software exigen enfoques colaborativos y especializados. Este artículo revisa sistemáticamente el paradigma emergente de los sistemas multiagente basados en LLM a lo largo de todo el ciclo de vida del desarrollo del software, incluida la ingeniería de requisitos, la generación de código, las pruebas y la depuración. Examina la selección de modelos, los puntos de referencia de evaluación, los marcos de las agencias y los protocolos de comunicación. Además, la obra destaca los desafíos clave, como la orquestación, la coordinación entre personas y agentes, la optimización de costes y la recopilación de datos, y ofrece información esencial sobre el estado de la ingeniería de software de las agencias.
Ver en la página del editor
Modernización de sistemas heredados basada en modelos a escala
Publicado en: ReCode '26: Actas del primer taller sobre traducción, transformación y modernización de códigos, páginas 13 a 18
Tobias Böhm, Jens Guan Su Tien, Mohini Nonnenmann, Tom Schoonbaert, Bart Carpels, Andreas Biesdorf
Este informe de experiencia presenta un enfoque basado en modelos en cuatro etapas (análisis, enriquecimiento, síntesis, transición) que inserta un modelo intermedio independiente de la tecnología entre las bases de código antiguas y las plataformas de destino modernas. Aplicado a una gran aplicación industrial de.NET, migra semiautomáticamente las interfaces de usuario y las estructuras de páginas a las pilas web modernas, a la vez que conserva el comportamiento funcional. Al consolidar los conocimientos de arquitectura en modelos explícitos, mejora la capacidad de mantenimiento y la experiencia del desarrollador. A pesar de los desafíos de diseño que requieren un esfuerzo manual, el enfoque reduce el riesgo, se escala de forma eficaz y ofrece patrones reutilizables.
Ver en la página del editor
Unir la sintaxis formal y la semántica del LLM: extraer gráficos de conocimiento para entender el código heredado
Publicado en: 23ª Conferencia Internacional IEEE sobre Arquitectura de Software Companion (ICSA‑C) 2026
Henrik Thillmann; Bernhard Rumpe; Andreas Biesdorf
Las empresas establecidas suelen confiar en sistemas heredados que son difíciles de mantener debido a los idiomas anticuados y a los identificadores poco claros. Sin embargo, reemplazar estos sistemas conlleva el riesgo de perder su fiabilidad comprobada. Los modelos lingüísticos grandes pueden ayudar a la recuperación y la modernización de la arquitectura, pero requieren una gestión precisa del contexto. Como el código es un lenguaje formal analizable, la recuperación puede aprovechar la estructura del programa en lugar de confiar en texto no estructurado. Proponemos una metodología basada en el análisis para crear un gráfico de conocimiento que tenga en cuenta la estructura para GraphRag. Este enfoque demuestra una mayor precisión de recuperación y un razonamiento arquitectónico de varios saltos en un estudio de caso industrial.
Ver en la página del editor
