下面是中文翻译：

---

PingFL

PingFL 是一个 LLM 智能体系统，它通过引入程序动态信息来实现更准确的故障定位。

相关工作已发表于 ASE’25 “Let the Code Speak: Incorporating Program Dynamic State for Better Method-Level Fault Localization”。

受人类开发者常用的 print debugging 技术启发，PingFL 由两个协作式 LLM 智能体组成：一个是故障定位智能体，即 FL agent，它配备了多个工具，用于定位根本原因；另一个是 print debugging 智能体，即 PD agent，它的目标是验证 FL agent 提出的可疑位置。

在 Defects4J 基准上的评估结果表明，PingFL 优于其他基于 LLM 的方法，并且在跨项目场景中超过了传统故障定位技术。此外，我们发现 LLM 在解决故障定位任务时会表现出特定的策略和工具使用模式。

PingFL 具有较高的成本效益：平均只需花费 0.22 美元和 104.62 秒即可完成一次故障定位。

FL Agent 和 PD Agent 的提示词模板

提示词模板如下所示：

完整的提示词可以在 src/core/prompt.py 中找到。

从零开始运行 PingFL

第 1 步：安装基准数据集

我们在 Defects4J 基准，也就是 tag v2.0.1 上评估 PingFL。该基准可以在以下地址找到：

Defects4J：https://github.com/rjust/defects4j

第 2 步：安装环境

可以通过以下命令安装所需的 Python 环境：

conda create -n PingFL python=3.11.11
conda activate PingFL
pip install -r requirements.txt

然后，将 Defects4jMod/defects4j-2.0.1-jvm-mod 目录下的文件应用到你已经安装好的 defects4j 仓库中。

最后，修改 Config 目录下的配置文件。你需要重点关注以下属性：

• java_agent_lib：设置为 Java agent 的路径，即 MethodCallGraphBuilder/target/MethodCallGraphBuilder-1.0.jar
• bug_exec：设置为你自己的 Defects4J 执行文件路径
• api_key：设置为对应模型所需的你自己的 API key

第 3 步：预处理

预处理阶段是运行 PingFL 的前提条件。它负责缺陷复现、缺陷信息收集、代码仓库分析等工作。

通过以下命令运行预处理：

python preprocess.py

第 3 步：运行 PingFL

现在，你可以使用以下命令运行 PingFL 来定位所有缺陷：

python run_all.py

如果要定位单个缺陷，可以使用如下示例命令：

python run.py --config config/pingfl_gpt4o_gpt4turbo.yml --project Chart --bugID 1

所有缺陷的列表位于 dataset/all_bugs.csv。

评估 PingFL

运行 PingFL 后，调试结果会生成在 DebugResult 目录下。

要评估 PingFL 的性能，只需运行：

python evaluate.py