文章核心总结与创新点一、主要内容本文聚焦于多意图代码注释生成任务，针对现有基于大语言模型（LLMs）的方法在少量演示样本下难以构建意图、代码与注释间正确关联的问题，提出了名为KUMIC的框架。该框架基于上下文学习和思维链（CoT）优化知识利用率，通过两个核心组件实现高效的多意图注释生成：示例检索器（Example Retriever）：结合基于令牌和语义的相似性检索策略获取候选示例，再通过语义一致性评估筛选出高质量意图相关知识示例，确保演示样本的可靠性。知识增强（Knowledge Augmentation）：设计轻量级代码搜索任务，利用其注意力机制提取示例中意图相关的关键语句，构建“代码-意图特定语句-注释”的映射知识链，并通过结构化提示引导LLMs分步生成注释。实验在Funcom和TLC两个大规模Java数据集上展开，结果显示KUMIC在BLEU、METEOR、ROUGE-L和SBERT四项指标上分别比现有最优基线平均提升14.49%、22.41%、20.72%和12.94%，且在语义需求较高的“What”和“Why”意图上提升尤为显著，人工评估也证实其生成注释更准确、实用。二、创新点提出了优化LLMs知识利用率的多意图代码注释生成方法，通过聚焦高质量意图相关知识解决少量演示样本下的关联构建问题。设计示例质量评估机制，将语义一致性纳入检索流程，确保筛选出的演示样本包含清晰的代码-注释对应关系，避免低质量样本
