随着软件开发和开源社区愈发普及，程序员这一群体正在飞速壮大，即便不是专业从事编程的人，会写或能看懂代码，几乎已经不是什么稀罕事。
然而再有经验的程序员，面对数十种风格迥异且分工不同的主流编程语言，难免会偶尔混淆不常用的语义和方法（Method），更别说这些语言的版本还会不断进化（Python 2.X到Python 3.X），甚至冒出一种全新语言，专门针对特殊领域，比如专门用于机器学习的Julia。
针对这一问题，Facebook的工程师采用了机器学习技术，开发出了一款名为Aroma的代码搜索和推荐工具。它可以拆解一段代码，分析其语义，然后在大型代码库中即时匹配出类似段落，按照相似程度推荐其他类似的代码写法，促进代码标准化和规范化。
研究人员认为，相比传统的代码搜索工具，Aroma具有以下几个优势：
不局限于代码中变量和参数的命名方式，因为Aroma并不是以字符串为单位搜索，只要大致语义相同，比如对象调用的方法相同，就会被捕捉到，而且多余的无关代码还会被省略，增加可读性。
Aroma会集合多组类似的搜索结果，用来生成一套代码建议，比单独呈现搜索结果更易理解。
面对超大规模的代码库，Aroma也能够做到及时反馈搜索结果，无需提前搜索代码规律。
Aroma的核心算法与编程语言无关，Facebook在Hack，JavaScript，Python和Java内部代码库中都部署了Aroma。
举个例子
为了更好地理解Aroma的原理，我们可以参考Facebook AI给出的例子。
假设我们想要在安卓系统中解码位图（bitmap），最基础的代码实现是这样的：
但是在实际应用中，只有这一行代码远远不够，最起码还要有用来处理异常的IOException，优化传递到decodeStream方法中的可选参数等等。
对于不熟悉安卓开发的新手来说，他需要去代码库或者开发者社区中搜索类似功能的实现方法，学一学大神的写法。这就轮到Aroma上场了。
按照Facebook软件工程师的描述，Aroma可以及时搜索与上述代码类似的代码段落。找到的一些代码是这样的：
在此基础上，Aroma还会自动优化和整合这些结果，去掉对方法主体没有帮助的部分，使其更加泛化，最终成为一条有价值的代码写法推荐，像下面这段一样：
可以看出，推荐结果保留了上面三段代码中的相似部分，比如变量初始化和方法调用，但省略了异常处理和While循环等不同之处。
值得一提的是，Aroma会提供多组不同的代码推荐，因此其中仍然包括了异常处理的写法。
Aroma的实现方法
具体来说，Aroma的工作流程可以分为三大流程：特征提取和搜索，重新排名和聚类，组合并创建代码推荐。
首先，Aroma会为代码语料库中的每一个方法创建索引和解析树，从中提取出很多结构性的特性。这些特征都经过特殊挑选，而非一股脑地获取所有特征，反映出的信息包括变量用法，方法调用和控制结构等等。
最后它会基于特征，为每个方法创建一个稀疏向量，将所有向量组合起来，就成为了一个索引矩阵，可以用来搜索代码。
如果程序员编写了一段新的代码，Aroma就会用以上方法创建一个稀疏向量，然后对它和索引矩阵执行点积运算。这样一来，点积结果最高方法就是与新代码重合度最高的片段。Aroma的算法会选取排名前1000的方法，作为候选建议集合，进入下一流程。
因此，机器学习算法会在方法解析树上修剪，去掉结果中与被搜索代码的不相关部分，仅保留最匹配的，并且将所有方法（搜索结果）重新排名。在这之后，Aroma会根据新的排名运行迭代聚类算法，找到多组相似的代码段落，将它们组合成一个个代码推荐集群。
有了集群之后，Aroma就可以执行最后一步——创建代码推荐了。简单来说，这一过程由一套交叉算法完成。它在一个代码片段的基础上，将同一集群中的多个代码片段迭代修剪，找到它们之间的共同点，整合成最终的代码推荐。
因为搜索结果可以分成若干个集群，最终的代码推荐也会有若干种不同风格，对应不同的实现过程，从而为程序员提供多样化的代码选择。
可以看出，Aroma的目的并非取代程序员，而是帮助他们从现有代码库中快速找到和学习优秀代码，加快编程速度和软件迭代速度，让机器学习，这个程序员创造出的产物，回过头来帮助自身进步。
在未来，编程或许将变成一个人机共同完成的任务，由人类提出高层次的，抽象的想法，具体的实现和代码编写则交给AI系统完成，实现效率的最大化。
