一、文章主要内容总结本文聚焦大型语言模型（LLMs）在代码迁移中的应用，核心目标是解决依赖库版本更新（主版本/次版本语义变更）导致的项目兼容性问题。通过将代码差异文件（diffs）与LLMs结合，提出了一种零样本迁移方法，并开发了开源Python工具包AIMIGRATE，同时提供了相关数据集以支持该领域进一步研究。核心研究内容：问题背景：软件依赖库频繁更新易导致项目兼容性问题，现有解决方案或局限于特定库/语言，或难以满足小型项目需求，且未被现有基准测试覆盖。关键思路：利用diffs的特性（压缩代码变更、聚焦核心修改），结合LLMs的大上下文窗口（如GPT-4o的128k tokens），提升代码迁移的准确性和效率。实验设计：开展diff理解测试，验证LLMs对diffs的理解能力是否接近对完整代码的理解；选取三个跨领域案例（疾病传播模型TYPHOIDSIM、海洋粒子追踪工具PARCELS、LLM应用框架LANGCHAIN），对比三种迁移策略（黑盒模式、含目标库代码、含diffs）的性能；从测试通过率、行级匹配（召回率/精确率）、代码正确性三个维度评估效果。核心结果：含diffs的上下文在多数场景下优于原生LLMs，部分情况表现超过直接使用完整代码；