Large Language Models for Unit Test Generation: Achievements, Challenges, and the Road Ahead
文章核心总结与创新点
主要内容
文章对2021年5月至2025年8月期间发表的115篇相关文献进行系统综述，聚焦大语言模型（LLMs）在单元测试生成领域的应用。首先分析了传统自动化测试生成方法（如搜索式软件测试、符号执行）的局限性——缺乏语义理解能力，难以生成符合特定领域格式的输入和有效的断言；随后阐述了LLMs凭借大规模代码和自然语言预训练所具备的语义理解优势，能够弥补传统方法的“语义鸿沟”。文章构建了基于单元测试生成生命周期的统一分类框架，围绕模型应用核心策略（提示工程、微调、预训练）、增强技术（生成前上下文富集、生成后质量保障、系统级协同）展开深入分析，最后指出当前领域面临的核心挑战，并提出未来研究路线图。
创新点
- 提出统一分类框架：将LLMs视为需要系统工程约束的随机生成器，构建涵盖“模型准备-提示驱动生成-生成前富集-生成后质量保障-系统级协同”的全生命周期分析框架。
- 揭示核心技术格局：明确提示工程（占89%的研究）是主流应用策略，迭代验证与修复循环是提升测试可编译性和执行通过率的关键机制。
- 系统梳理增强技术体系：整合静态/动态程序分析、传统测试技术协同等软件工程方法，形成完善的LLM测试生成增强方案。
- 精准定位关键挑战与方向：指出故障检测能力弱、缺乏标准化评估基准等核心问题，提出向自主测试代理、LLMs与传统工具混合系统演进的未来路线。