对 2,042 个 Python 仓库的跨操作系统可移植性实证分析发现 11.2% 项目存在 OS 相关测试失败，并给出 7 类失败分类与 LLM 修复评估
核心概要
该研究对 2,042 个开源 Python 仓库开展跨操作系统可移植性实证分析，通过跨 OS 测试重执行（500 个项目，11.2% 出现 OS 相关测试失败）与 240 条 GitHub issue 人工分析（确认 102 个真实可移植性问题，涉及另外 95 个项目），构建了包含 7 个主类别、24 个子类别、15 个诊断特征和 4 种系统性修复模式的分类体系，并评估现有静态分析工具支持有限、而大语言模型在结构化指导下识别问题准确率为 40-79%、生成修复成功率为 50-77%，同时通过 33 个贡献的 pull request（17 个被合并、零个被拒绝）验证了实用性。
深度剖析
研究给出了 Python 跨操作系统可移植性问题的首个大规模实证基线：跨 OS 测试重执行覆盖 500 个项目，其中 11.2% 出现 OS 相关测试失败；对 240 条 GitHub issue 的人工分析确认 102 个真实可移植性问题，分布在另外 95 个项目中。 此前缺乏对 Python 跨 OS 可移植性失败的系统性量化，该工作以两种互补方法（测试重执行与 issue 人工分析）同时覆盖运行时失败与开发者报告的问题。 基于 2,042 个开源仓库的筛选、500 个项目的跨平台测试重执行，以及 240 条 issue 的人工确认，样本规模与双方法设计支撑了基线结论。
研究构建了跨 OS 可移植性问题的分类体系，包含 7 个主失败类别（文件/目录操作、进程管理、库依赖最为普遍）、24 个子类别、15 个诊断特征和 4 种系统性修复模式。 将分散的失败现象组织为可复用的分类与诊断结构，使开发者与工具设计者能够按类别定位和修复问题。 分类来自对 500 个项目测试结果与 240 条 issue 的系统归纳，并配有诊断特征与修复模式，具备可操作性。
研究评估了现有工具与大语言模型在可移植性问题上的表现：现有静态分析工具对可移植性检测支持极少，而大语言模型在结构化指导下识别问题准确率为 40-79%、生成修复成功率为 50-77%。 首次在同一实证框架下对比静态分析工具与 LLM 在跨 OS 可移植性任务上的能力，并指出结构化指导对 LLM 表现的作用。 评估基于上述项目与问题集合，给出了识别准确率与修复成功率的区间，但摘要未披露具体评估协议细节。
研究通过 33 个贡献的 pull request 验证了发现的实用性，其中 17 个被合并、零个被拒绝，表明开发者对研究结论的接受。 将实证发现推进到真实项目修复层面，提供了从分析到落地贡献的闭环证据。 以合并/拒绝的 pull request 计数作为开发者接受度的直接指标，33 个提交中 17 个合并、零拒绝。
启示与展望
该研究面向开源 Python 项目，适用于跨操作系统部署场景下的开发者、静态分析工具设计者以及研究可移植性的学者。其分类体系、诊断特征与修复模式可作为构建可移植性检测与自动修复工具的基础，LLM 评估结果则为在结构化指导下使用大语言模型辅助修复提供了参考。研究结论适用于所分析的仓库与 issue 集合所代表的 Python 生态范围。
当前加载的文本为不完整的摘要与页面片段，缺少正文、图表与具体评估协议，因此无法确认跨 OS 测试重执行的具体环境配置、LLM 评估的提示设计与判定标准、以及 33 个 pull request 的分布细节。读者若需据此复现或扩展，仍需查阅原文的方法与实验章节。此外，分类体系与 LLM 表现区间是否在不同 Python 版本、依赖生态或项目类型下保持稳定，仍是值得关注的开放问题。