破解软件开发的秘密：中科院团队让AI像真正的程序员一样工作

这项突破性研究由中科院深圳先进技术研究院的张磊、杨嘉曦、杨敏教授等人与阿里巴巴集团的研究团队联合完成，于2025年6月发表在第42届国际机器学习大会（ICML 2025）上。这是一项关于让人工智能真正像人类程序员一样开发软件的重要研究，感兴趣的读者可以通过论文编号arXiv:2506.09003v2查阅完整的研究内容。

想象一下，如果你要教一个完全不懂编程的人成为一名程序员，你会怎么做？大多数人可能会说："先学会写简单的代码，然后通过测试来验证代码是否正确。"这种方法在软件开发中有个专业名字叫做"测试驱动开发"，就像学开车时先学交通规则，然后在实际道路上练习一样。

然而，目前的人工智能虽然能写出看起来不错的代码，但它们更像是照着食谱做菜的新手厨师——只能按部就班地完成单个任务，却不懂得如何从零开始规划一顿完整的晚餐。它们缺乏真正程序员的核心技能：理解不同代码模块之间的关系，知道先写什么、后写什么，以及如何通过测试来确保每一步都是正确的。

这正是研究团队想要解决的核心问题。他们开发了一个名为SWE-Flow的创新框架，这个框架就像是一位经验丰富的编程导师，能够自动分析真实的软件项目，理解其中复杂的代码依赖关系，然后将整个开发过程分解成一系列循序渐进的小步骤。每个步骤都有明确的测试要求，就像烹饪课程中的每个环节都有品尝环节来检验成果一样。

这项研究的突破性在于，它不依赖于人工编写的问题描述或者开发者提交的错误报告，而是直接从软件的测试用例入手，反向推导出开发流程。这就像是通过分析一道成功菜品的各种口味测试，反推出完整的烹饪步骤一样智能。

一、传统方法的局限性与新思路的诞生

要理解这项研究的重要性，我们先来看看现有方法存在什么问题。目前，大多数用来训练AI编程能力的数据集都像是从GitHub上收集的"问题报告单"。程序员们会在这些平台上描述他们遇到的bug或者想要添加的新功能，然后提交修复代码。

这种方法就像是让AI学习修补衣服，但从来不教它如何从头开始制作一件完整的服装。AI看到的都是"这里有个洞，需要打个补丁"或者"袖子太短了，需要接一段"这样的局部修复任务。虽然AI确实学会了打补丁，但它并不理解整件衣服是如何设计和制作的。

更糟糕的是，这些从真实项目中收集的问题报告往往质量参差不齐。有些描述模糊，有些包含错误信息，还有些根本就是重复的内容。这就像是让厨师学习烹饪，但给的食谱有些缺少关键步骤，有些调料用量写错了，有些甚至是同一道菜的多个不同版本混在一起。

研究团队意识到，要让AI真正掌握软件开发，需要换一个完全不同的思路。他们想到了"测试驱动开发"这个在软件工程中广泛使用的方法。这种方法的核心思想是：先写测试，再写代码。就像是先决定这道菜应该是什么味道，然后再去研究如何烹饪出这个味道。

测试用例就像是菜品的"味道标准"——咸淡适中、口感嫩滑、色泽金黄等等。有了这些明确的标准，厨师就知道每个烹饪步骤是否成功，最终的菜品是否达到要求。同样地，代码的测试用例定义了软件应该具备的各种功能和行为，程序员可以根据这些测试来逐步构建代码。

这个思路的巧妙之处在于，测试用例本身就包含了丰富的信息。它们不仅说明了软件应该做什么，还暗示了不同功能模块之间的关系。就像一份详细的菜谱不仅告诉你最终的味道，还暗示了哪些食材需要先处理，哪些调料需要后添加，整个烹饪过程的先后顺序是什么。

二、运行时依赖关系图：破解代码间的神秘联系

理解了基本思路后，我们来看看研究团队是如何具体实现这个想法的。他们面临的第一个挑战是：如何准确理解一个软件项目中不同代码模块之间的复杂关系？

想象你要为一个大型餐厅制定完整的菜谱体系。每道菜都可能依赖于某些基础调料、预处理食材或者烹饪工具。比如说，制作红烧肉需要先有焯过水的肉块，而焯水这个步骤本身又需要准备好姜片和料酒。这些依赖关系错综复杂，如果搞错了顺序，整道菜就可能失败。

在软件开发中，代码模块之间的依赖关系同样复杂。一个功能可能需要调用十几个其他函数，而这些函数又可能依赖于更多的底层函数。传统的静态分析方法就像是只看菜谱文字描述来推测烹饪步骤，往往会遗漏关键信息或者产生误解。

研究团队采用了一种更加聪明的方法：运行时分析。他们让程序实际运行起来，就像真正在厨房里做菜一样，然后仔细观察和记录每一个步骤的执行过程。这种方法被称为构建"运行时依赖关系图"。

具体来说，他们开发了一个名为SWE-Flow-Trace的工具，这个工具就像是一个无处不在的厨房摄像头，能够记录下烹饪过程中的每一个动作：什么时候开始切菜，什么时候点火，什么时候放调料，每个步骤花了多长时间，等等。

当测试程序运行时，SWE-Flow-Trace会监控所有的函数调用，记录下哪个函数调用了哪个函数，调用的顺序是什么，形成一张详细的"函数调用地图"。这张地图就像是餐厅的完整流程图，清楚地显示了从接到订单到上菜的每一个环节。

更重要的是，这个工具还能过滤掉那些来自系统库或第三方组件的函数调用，只专注于项目本身的代码。这就像是在记录烹饪过程时，只关注厨师的动作，而不去记录烤箱或冰箱的内部工作原理。这样得到的依赖关系图更加清晰和有用。

通过这种方法，研究团队能够准确地识别出四种不同类型的函数：测试入口函数（就像点菜），测试辅助函数（就像准备餐具），核心功能函数（就像主要的烹饪步骤），以及依赖支持函数（就像准备调料）。每种函数在整个开发流程中都有其特定的作用和位置。

三、智能开发计划：从混乱到有序的神奇转换

有了准确的依赖关系图后，下一个挑战是：如何将这些复杂的关系转换成一个清晰的、循序渐进的开发计划？这就像是拿到了一堆菜谱和食材清单后，需要制定一个合理的烹饪时间表。

研究团队设计了一个名为SWE-Flow-Schedule的算法来解决这个问题。这个算法的工作原理很像一个经验丰富的项目管理员，能够分析所有的依赖关系，然后制定出最合理的执行顺序。

整个过程可以比作规划一场大型晚宴。假设你要为50个客人准备10道不同的菜，每道菜都有不同的准备时间和依赖关系。有些菜需要提前腌制，有些需要临时制作，有些菜的某些步骤可以同时进行，而有些则必须严格按顺序执行。

SWE-Flow-Schedule首先会分析所有的测试用例，找出哪些测试涉及相同的核心功能模块。这就像是把所有需要用到同一种主要食材的菜归为一组。然后，它会根据每组测试所涉及的功能模块数量来决定执行顺序——先处理涉及功能较少的简单测试，再处理涉及功能较多的复杂测试。

这种排序策略的巧妙之处在于，它确保了每个开发步骤都是建立在已有基础之上的。就像烹饪时先准备基础调料和预处理食材，然后再制作需要这些基础元素的复杂菜品。每个步骤都有明确的输入（已经完成的功能模块）和输出（新增的功能模块），整个开发过程变得井井有条。

更重要的是，这个算法还会自动合并那些功能模块已经在之前步骤中实现的测试用例。这避免了重复工作，确保每个开发步骤都有实质性的新内容。就像合理安排烹饪顺序，避免重复准备相同的食材或重复执行相同的烹饪步骤。

最终，SWE-Flow-Schedule生成的开发计划就像是一本详细的烹饪指导书，每一页都对应一个具体的开发步骤，清楚地说明了这个步骤需要实现哪些新功能，依赖哪些已有功能，以及如何通过测试来验证结果。

四、数据合成的艺术：创造完美的学习材料

有了详细的开发计划后，研究团队面临的下一个挑战是：如何将这个计划转换成AI能够学习的训练数据？这个过程就像是将一本复杂的烹饪指导书转换成适合烹饪学校学生练习的标准化教材。

对于每个开发步骤，研究团队需要创建三种类型的学习材料，就像为每堂烹饪课准备三样东西：未完成的半成品（部分代码库）、详细的制作要求（需求文档）、以及标准答案（正确的代码实现）。

创建"部分代码库"的过程被称为"代码骨架化"，这就像是为烹饪学生准备一个已经完成了部分步骤的厨房。在这个虚拟厨房里，一些基础食材已经准备好了，一些基本调料已经摆放在合适的位置，但关键的烹饪步骤还没有完成，需要学生自己来完成。

具体来说，研究团队会从完整的代码库中移除掉当前步骤需要实现的函数内容，但保留函数的基本框架和接口信息。为了提供足够的上下文信息，他们还会用AI生成简洁明了的函数说明文档，就像在烹饪学生面前放一张小纸条，提示这个步骤应该达到什么效果。

"需求文档"的生成更是一个巧妙的过程。研究团队没有让人工手写这些文档，而是让AI来分析测试用例的内容，自动生成相应的需求描述。这就像是让一个经验丰富的厨师看一道菜的最终呈现效果和口味测试结果，然后反推出详细的制作要求。

这种方法的好处是生成的需求文档与测试用例完全一致，避免了人工编写可能出现的不一致或遗漏。而且，由于测试用例本身就包含了丰富的功能描述信息，生成的需求文档往往比人工编写的更加准确和完整。

"标准答案"的创建相对简单，就是计算完整代码库与骨架化代码库之间的差异。这些差异被整理成两种格式：替换格式（就像告诉学生"把这段代码替换成那段代码"）和补丁格式（就像告诉学生"在这里添加几行新代码"）。这两种格式适用于不同的AI训练方法和应用场景。

通过这种精心设计的数据合成过程，研究团队成功地将复杂的软件开发项目转换成了标准化的学习材料。每个学习样本都包含了完整的背景信息、明确的任务要求和标准的正确答案，为AI的训练提供了高质量的数据基础。

五、大规模数据集的构建：质量与规模的完美平衡

理论方法确定后，研究团队面临的实际挑战是：如何在真实的软件项目上大规模应用这个框架？这就像是从能够制作一道菜扩展到能够运营一个大型餐厅的规模。

研究团队从GitHub上精心挑选了150个最受欢迎和活跃的Python开源项目作为原始材料。这些项目的选择标准非常严格：必须拥有知名的开源许可证，获得至少2000个星标（表示项目的受欢迎程度），并且在最近六个月内还有活跃的更新。这确保了选择的都是高质量、实用性强的项目，就像选择食材时只挑选最新鲜、最优质的原料。

然而，仅仅挑选好项目还不够，更大的挑战在于为每个项目创建合适的运行环境。这就像是为每道菜准备专门的烹饪设备和环境条件。不同的软件项目可能需要不同版本的编程语言、不同的第三方库、不同的系统配置等等。

为了解决这个问题，研究团队开发了一套自动化的环境配置系统。这个系统能够读取每个项目的配置文件，自动安装所需的依赖包，设置合适的运行环境。整个过程都在Docker容器中进行，这样就像是为每个项目提供了一个标准化的、隔离的实验室环境。

环境配置完成后，真正的挑战才开始。系统需要运行每个项目的所有测试用例，记录函数调用关系，生成依赖关系图。这个过程就像是让每道菜都实际制作一遍，仔细观察和记录每个烹饪步骤。只有那些能够成功通过所有测试的项目才会被保留用于后续处理。

经过这轮严格的筛选，最终有74个项目成功通过了所有测试，其中62个被用于训练数据生成，12个被保留用于测试评估。这些项目涵盖了软件开发的各个领域：数据处理、图像处理、机器学习、网络开发、系统工具等等，确保了数据集的多样性和代表性。

在这74个项目的基础上，SWE-Flow框架成功生成了18,081个高质量的训练实例，其中16,061个用于训练，2,020个用于测试。每个实例都包含了完整的部分代码库、详细的需求文档、标准的实现方案和相应的测试用例，为AI的学习提供了丰富而真实的训练材料。

这个数据集的特殊之处在于，它不是简单的代码片段收集，而是一系列完整的、有逻辑顺序的开发任务。每个任务都有明确的前置条件、具体的实现要求和可验证的成功标准。这就像是为厨师学校设计了一套完整的课程体系，从简单的切菜技巧到复杂的菜品制作，每个环节都有明确的学习目标和评估标准。

六、SWE-Flow-Bench：一个革命性的评估基准

拥有了高质量的训练数据后，研究团队还需要解决另一个重要问题：如何公平、准确地评估AI在软件开发任务上的真实能力？传统的评估方法就像是只考察厨师能否按照食谱做出一道菜，但无法评估他们是否具备独立设计菜单、应对突发情况的综合能力。

为此，研究团队创建了SWE-Flow-Bench，这是一个专门用于评估AI软件开发能力的综合性基准测试平台。这个平台就像是为程序员设计的"技能全能测试"，不仅考察单项技能，更重视综合应用能力。

SWE-Flow-Bench包含2,020个精心设计的测试任务，覆盖12个不同的软件开发领域。这些领域包括日期时间处理、密码学、语言处理、模板引擎、音频处理、数据序列化、数据分析、图像处理、数据验证、代码分析、数据可视化和设计模式等。就像是一个大型的技能考试中心，每个考场都专门测试不同的专业技能。

更重要的是，这些测试任务被按照难度分为三个等级：简单、中等和困难。简单任务就像是基础的切菜、调味技能测试，每个步骤平均只需要实现不到2个函数。中等任务相当于制作普通家常菜，每个步骤需要实现2-3个函数。困难任务则像是制作复杂的宴会菜品，每个步骤需要实现3个以上的函数，涉及复杂的功能依赖关系。

为了满足不同评估需求，SWE-Flow-Bench提供了两个版本：完整版包含所有2,020个测试任务，适合深入的性能评估；精简版包含每个项目前50个开发步骤（共589个任务），适合快速的能力验证。精简版的任务相对简单一些，因为早期的开发步骤通常依赖关系较少，就像烹饪课程中先教基础技能，再教复杂菜品制作。

这个基准测试的创新之处在于它采用了完全不同的评估方式。传统评估就像是给厨师一份完整的食谱，看他们能否做出合格的菜品。而SWE-Flow-Bench则是给出一个部分完成的厨房和一份要求清单，看AI能否独立完成剩余的烹饪步骤，并且通过最终的"口味测试"（单元测试）。

评估过程也设计得非常贴近真实的软件开发环境。AI不仅要能生成正确的代码，还要能将代码正确地集成到现有的代码库中，并且通过所有相关的测试用例。这就像是不仅要求厨师做出美味的菜，还要求菜品能够与整个餐桌的其他菜品完美搭配，符合整体的用餐体验要求。

七、实验结果：AI编程能力的全面检验

有了完整的框架和评估基准后，研究团队开始了一系列全面的实验来验证SWE-Flow的有效性。这就像是举办一场大型的烹饪比赛，邀请各路高手来展示他们的技艺，看看谁才是真正的烹饪大师。

首先，研究团队使用SWE-Flow生成的训练数据对Qwen2.5-Coder-32B-Instruct这个AI模型进行了专门的训练优化，创造出了一个名为UF-Coder-32B-Instruct的新版本。这个过程就像是让一个已经具备基础烹饪技能的厨师接受专门的高级培训，学习更加系统和规范的烹饪方法。

训练过程采用了最先进的分布式计算技术，在128个高性能GPU上并行进行，整个过程只用了2个小时就完成了。这种高效的训练方式就像是使用现代化的烹饪设备和标准化的教学方法，能够在短时间内显著提升学习效果。

接下来，研究团队邀请了11个当前最先进的AI模型参加"编程能力大比拼"。这些参赛者包括OpenAI的GPT-4o、Anthropic的Claude-3.5-Sonnet、DeepSeek的V3和R1模型、Meta的Llama系列模型，以及阿里巴巴的Qwen系列模型等。每个模型都代表了当前AI技术的最高水平，就像是邀请了世界各地的顶级厨师来参加国际烹饪大赛。

比赛的规则很简单：给每个AI模型相同的"半成品厨房"（部分完成的代码库）和"菜品要求"（需求文档），看它们能否正确完成剩余的"烹饪步骤"（代码实现），并通过最终的"品尝测试"（单元测试验证）。

结果令人印象深刻。经过SWE-Flow训练的UF-Coder-32B-Instruct在大多数测试中都表现出色，在替换格式的任务中仅次于DeepSeek-V3，在补丁格式的任务中仅次于Claude-3.5-Sonnet，整体表现远超其原始版本和大多数其他竞争对手。这就像是一个接受了专业培训的厨师在比赛中脱颖而出，展现出了明显的技能提升。

特别值得注意的是，Claude-3.5-Sonnet在补丁格式任务中表现突出，这可能是因为它的训练数据中包含了大量的代码修改实例。而UF-Coder-32B-Instruct则在两种格式的任务中都表现均衡，显示出了更加全面的编程能力。

研究团队还测试了AI代理（AI Agent）在复杂软件开发任务中的表现。他们使用OpenHands这个流行的代理框架，让不同的AI模型在其中工作，观察它们能否像真正的程序员一样独立完成开发任务。结果显示，即使是表现最好的Claude-3.5-Sonnet，在面对复杂的实际开发任务时也经常遇到困难，这表明当前的AI技术在处理真实世界的软件开发挑战方面还有很大的提升空间。

这些实验结果不仅验证了SWE-Flow框架的有效性，也揭示了当前AI在软件开发领域的真实能力水平。就像烹饪比赛不仅展示了参赛者的技艺，也让我们了解了现代烹饪技术的发展水平和未来的改进方向。

八、创新点与技术突破：重新定义AI编程训练

SWE-Flow的最大创新在于它完全颠覆了传统的AI编程训练方法。传统方法就像是让学生通过阅读维修手册来学习如何制造汽车，而SWE-Flow则像是让学生在真正的汽车工厂里，从零开始学习整个汽车的制造流程。

第一个重要突破是"自动化数据合成"。以前，研究人员需要花费大量时间手工收集和整理编程任务，就像是手工制作教学材料一样效率低下且容易出错。SWE-Flow则能够自动从真实的软件项目中提取学习材料，这就像是有了一个智能的教材生成器，能够从实际的工程项目中自动创建标准化的学习课程。

第二个突破是"测试驱动的学习方式"。这种方法让AI学习的不仅仅是如何写代码，更重要的是学习如何理解需求、如何验证结果、如何保证质量。这就像是教学生不仅要学会做菜，还要学会如何品尝、如何调整、如何确保每道菜都达到预期的标准。

第三个突破是"可配置的难度等级"。SWE-Flow能够根据函数依赖关系的复杂程度自动调整任务难度，这就像是有了一个智能的教练，能够根据学生的能力水平自动安排合适的练习内容。初学者从简单的单功能实现开始，逐步进阶到需要协调多个模块的复杂任务。

第四个突破是"完全可验证的学习结果"。每个生成的学习任务都配有完整的测试用例，这意味着AI学习的每一步都可以得到即时的反馈和验证。这就像是在学习过程中有一个永不疲倦的老师，能够立即指出错误并提供准确的指导。

这些技术突破的组合创造了一个全新的AI编程学习范式。与传统方法相比，SWE-Flow生成的学习材料更加贴近真实的开发场景，学习任务更加系统和循序渐进，学习效果更加可靠和可衡量。

更重要的是，这个框架具有很强的可扩展性。只要有新的开源项目和完善的测试用例，SWE-Flow就能够自动生成相应的学习材料。这意味着随着软件技术的发展，AI的学习内容也能够同步更新，始终保持与最新技术趋势的一致性。

九、实际应用价值与未来展望

SWE-Flow的价值远不止于改进AI的编程能力，它实际上为整个软件开发领域带来了新的可能性。这就像是发明了一种新的教学方法，不仅能够培养更好的学生，还能够改变整个教育体系的运作方式。

在AI辅助开发方面，经过SWE-Flow训练的AI模型能够更好地理解复杂的开发需求，提供更加准确和实用的代码建议。这就像是有了一个真正懂得软件架构的编程助手，而不是只会复制粘贴代码片段的简单工具。开发者可以将更多时间投入到创新性的设计工作中，而将繁琐的实现细节交给AI来处理。

在软件教育领域，SWE-Flow生成的学习材料可以为编程教育提供全新的资源。传统的编程教学往往缺乏系统性的实践项目，学生很难体验到真实的软件开发流程。而SWE-Flow能够从真实项目中提取出适合不同水平学习者的练习任务，让学生能够在模拟的真实环境中学习和成长。

在代码质量保证方面，SWE-Flow强调的测试驱动开发方法可以帮助开发团队建立更好的开发习惯。当AI助手本身就具备了严格的测试意识，它能够提醒和帮助人类开发者在编写代码的同时考虑测试和验证，从而提高整体的软件质量。

研究团队也指出了几个重要的未来发展方向。首先是合成更具挑战性的开发任务。通过合并多个连续的开发步骤，可以创造出需要更强综合能力的复杂任务。在极端情况下，甚至可以要求AI从零开始构建整个软件项目，这将是对AI编程能力的终极考验。

其次是增强强化学习的应用。由于SWE-Flow生成的每个任务都具有可验证的正确性，这为强化学习提供了理想的反馈环境。AI可以通过不断尝试和验证来改进自己的编程策略，就像是通过实际练习来提高烹饪技巧一样。

第三是改善预训练数据的质量。目前大多数AI模型的预训练数据中，高质量的软件工程数据相对稀缺。SWE-Flow可以大规模地生成这类数据，为下一代AI模型的预训练提供更好的基础材料。

当然，研究团队也诚实地指出了当前方法的一些局限性。SWE-Flow主要适用于同步执行的程序，对于异步程序和多进程应用的支持还有待改进。这就像是一个专门教授传统烹饪方法的课程，可能需要进一步扩展来包含现代分子烹饪等新技术。

十、对软件开发未来的深远影响

这项研究的意义远远超出了技术层面，它实际上预示着软件开发方式的根本性变革。就像工业革命改变了制造业一样，AI技术的进步正在重新定义软件开发的方方面面。

SWE-Flow所展示的自动化学习能力表明，未来的AI不仅能够协助人类开发者完成具体的编程任务，还能够理解和掌握软件开发的整体流程和最佳实践。这意味着AI将从简单的"代码生成工具"进化为真正的"开发伙伴"，能够参与从需求分析到测试验证的完整开发周期。

这种变化将带来开发效率的显著提升。当AI能够处理大量的常规开发工作时，人类开发者就能够将更多精力投入到创新性的架构设计、用户体验优化和业务逻辑创新上。这就像是有了智能化的生产线后，工程师可以专注于产品设计和质量控制，而不需要亲自操作每一个制造环节。

同时，这也将降低软件开发的门槛。传统上，成为一名合格的程序员需要多年的学习和实践，掌握复杂的技术细节和开发流程。而有了强大的AI助手后，即使是编程经验有限的人也能够参与到软件开发中来，专注于解决实际问题而不是纠结于技术实现细节。

从教育角度来看，SWE-Flow所提供的标准化、可验证的学习材料将极大地改善编程教育的质量和效率。学生可以在真实但受控的环境中学习，获得即时的反馈和指导，这将使编程教育变得更加高效和个性化。

不过，这种变化也带来了新的挑战和思考。当AI能够承担越来越多的编程工作时，人类开发者的角色和技能要求也将发生变化。未来的程序员可能更像是"软件架构师"或"技术产品经理"，需要具备更强的系统思维、业务理解和创新能力。

此外，代码质量和安全性的保证也将面临新的挑战。虽然AI能够生成功能正确的代码，但如何确保这些代码符合安全标准、性能要求和可维护性原则，仍然需要人类的监督和指导。

说到底，SWE-Flow所代表的不仅仅是一项技术突破，更是软件开发理念的革新。它证明了通过系统化、标准化的方法，我们可以让AI真正理解和掌握软件开发的精髓。这为创建更智能、更可靠、更高效的软件开发工具奠定了坚实的基础。

随着这项技术的不断完善和普及，我们有理由相信，未来的软件开发将变得更加民主化、高效化和智能化。每个有创意的人都可能成为软件创造者，而不需要花费数年时间学习复杂的编程技能。这将释放出巨大的创新潜力，推动整个社会的数字化转型进程。

对于普通人来说，这意味着我们将看到更多创新的软件应用，更快的功能迭代，以及更个性化的数字体验。对于软件行业来说，这预示着一个全新时代的到来，其中人机协作将成为常态，AI和人类开发者各自发挥所长，共同创造出更加优秀的软件产品。

这项由中科院深圳先进技术研究院和阿里巴巴集团联合完成的研究，不仅为AI编程能力的提升提供了新的解决方案，更为整个软件工程领域的未来发展指明了方向。对于想要深入了解技术细节的读者，可以通过论文编号arXiv:2506.09003v2获取完整的研究报告，其中包含了详细的实验数据、技术实现和代码资源。