Seed&Steer: Guiding Large Language Models with Compilable Prefix and Branch Signals for Unit Test...

文章主要内容和创新点

主要内容

本文聚焦于基于大型语言模型（LLM）的单元测试生成，提出了一种名为Seed&Steer的两阶段方法，旨在解决LLM生成单元测试时面临的编译成功率低和测试覆盖率不足的问题。

1. 问题分析：将单元测试生成拆解为前缀生成（构建测试环境）和断言生成（验证方法正确性），并定义“初始化复杂度”（影响编译成功）和“环路复杂度”（影响覆盖率）以量化两者的挑战。
2. 方法设计：
   • Seed阶段：利用传统单元测试工具（如EvoSuite）生成高编译成功率的方法调用作为“种子”，引导LLM构建可编译的测试前缀，提升编译成功率。
   • Steer阶段：提取目标方法的条件分支信号，生成分支意图，结合函数意图引导LLM探索多样执行路径（正常、边界、异常情况），生成高覆盖率的断言。
3. 实验验证：在5个真实Java项目上与现有方法对比，结果显示Seed&Steer将编译成功率提升约7%，修复了两个LLM上792和887个失败案例；分支和行覆盖率最高达73%，相对提升1.09×至1.26×。

创新点

1. 视角创新：首次将LLM-based单元测试生成拆解为前缀生成和断言生成，揭示前者主要影响编译成功、后者主要影响覆盖率的规律。