基于大模型的测试断言生成技术

　　研究背景-单元测试生成方法存在的主要问题

　　以大模型会话迭代为主要框架的代表性方法充分利用了大模型的语义理解和代码生成能力，

　　以CODAMOSA为代表的算法，计算资源的开销主要取决于选取的传统测试方法，大模型作为辅助工具来改进传统测试方法

　　生成无效测试用例：

　　大型语言模型（LLMs）可能在上下文不足的情况下生成无效的测试用例，导致编译错误。这意味着生成的测试用例无法成功运行，影响测试过程的有效性。

　　缺乏测试和覆盖反馈：

　　缺乏详细的测试反馈和覆盖率信息可能导致生成的测试用例在运行时出现错误，并且覆盖率低。这意味着生成的测试用例可能未能充分测试目标代码，从而降低了测试的全面性和有效性。

　　重复抑制问题：

　　现有方法中，LLMs可能会陷入自我修复或再生成尝试的重复循环，导致生成过程低效。即模型在面对生成错误时，可能会不断尝试修复同样的错误而无法前进，从而浪费计算资源和时间。研究背景-单元测试生成方法存在的主要问题

　　基于LLM的单元测试生成的局限性：

　　EvoSuite缺乏深入理解源代码的能力，因此复杂的前提条件缩小了基于搜索的测试生成方法的适用范围。

　　尽管LLM在理解语义信息和推理生成能力方面表现出色，但生成的测试用例中不可避免地存在编译错误和运行时错误。如果这些错误能够得到修复，LLM生成的测试用例质量将大大提高。