TestWeaver: Execution-aware, Feedback-driven Regression Testing Generation with Large Language Models
TestWeaver 是一种新颖的基于大语言模型（LLM）的回归测试方法，它通过集成轻量级程序分析——具体包括后向切片、类似于测试用例选择以及执行中的内联注解——来提供聚焦的执行上下文，从而克服覆盖率平台期，增强测试生成的有效性并加速代码覆盖率的增长。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图教一个非常聪明但有点心不在焉的机器人（一个大语言模型或 LLM）如何闯入一座巨大且复杂的豪宅（一个计算机程序）中的某个特定房间。你的目标是编写一套指令（一个测试用例），让机器人走进一扇它从未涉足过的特定门（一行代码）。
问题在于，这座豪宅非常庞大。如果你把整座豪宅的地图都交给机器人，它会感到不知所措、陷入混乱并开始瞎猜。它可能会走进厨房，然后是图书馆，接着是车库，但它始终找不到阁楼里的那扇特定的门。这被称为**“覆盖平台期”（Coverage Plateau）**：机器人一直在尝试，但因为它只是在熟悉的走廊里徘徊，所以停止了寻找新房间的能力。
TestWeaver 是一个旨在解决此问题的新工具。它不再仅仅是把整张地图交给机器人并说“去找那扇门”，而是像一位超级聪明的向导，利用三个巧妙的技巧来帮助机器人成功。
1. “聚光灯”技巧（后向切片 - Backward Slicing）
TestWeaver 不再向机器人展示整个豪宅，而是将聚光灯只投射在通往目标门的走廊上。它切掉了所有无关的房间、地下室和花园。
- 比喻： 想象你要在一张凌乱的桌子上寻找一把特定的钥匙。如果你向机器人展示整张凌乱的桌子，它会被分散注意力。TestWeweaver 清理了桌面，只留下钥匙及其周围的区域。这防止了机器人感到困惑或产生“幻觉”（凭空捏造不存在的事物），并帮助它完全专注于通往目标的路径。
2. “差一点就成功”技巧（最近测试用例 - Closest Test Case）
有时，机器人试图接近那扇门，但却在一步之遥的地方停下了。TestWeaver 会查看机器人之前的尝试，并找到那个离门最近的一次尝试。
- 比喻： 想象机器人尝试爬梯子，但在第三级横杆处停住了。TestWeaver 会说：“看，你几乎成功了！你在第三级停下了。门就在第四级横杆之上。让我们看看你具体在哪里停下的，并弄清楚如何迈出下一步。”它不是从头开始，而是利用机器人的“差一点成功”作为垫脚石，来引导下一次尝试。
3. “实时解说”技巧（执行内联 - Execution In-lines）
当机器人再次尝试并失败时，TestWeweaver 不仅仅是说“再试一次”。它会重写指令并加入实时解说。它会在步骤旁边添加注释，例如：“此时，机器人正拿着一把红色的钥匙，”或者“门锁着是因为灯关掉了。”
- 比喻： 这就像是在看一段带有教练实时喊出各项数据的游戏视频。与其让机器人猜测游戏状态，不如让教练告诉它：“你有 50 点生命值，敌人就在你的左侧。”这让机器人能够清晰地了解代码内部实际发生的情况，从而帮助它理解为了到达目标究竟需要做出怎样的改变。
实验结果
作者在 35 个真实的软件项目（类似于不同类型的豪宅集合）上测试了这个系统。他们发现：
- 更高的覆盖率： TestWeaver 找到了更多的“房间”（代码行）。它的覆盖率达到了 68%，而其他方法仅能达到 61% 和 46%。
- 更快的成功速度： 它更快地达到了性能巅峰。当其他方法长时间陷入失败的循环（平台期）时，TestWeaver 却能不断取得进展，因为它的指导非常具体。
- 高性价比： 尽管它更聪明，但运行成本并没有显著增加，因为它给了机器人更小、更清晰的指令（减少了需要处理的“噪声”）。
简而言之，TestWeaver 阻止了机器人在巨大的豪宅中漫无目的地徘徊。相反，它为机器人提供了聚焦的聚光灯、对前一次最佳尝试的参考，以及对前方路径的实时解说，确保它最终能找到那扇它正在寻找的特定之门。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。