CITYWALK：通过项目依赖关系感知和语言特定知识来提升基于大语言模型的C++单元测试生成能力

《ACM Transactions on Software Engineering and Methodology》：CITYWALK: Enhancing LLM-Based C++ Unit Test Generation via Project-Dependency Awareness and Language-Specific Knowledge

针对C++单元测试生成效率低的问题，本文提出基于LLM的CITYWALK框架，通过程序分析和领域知识增强，有效生成高覆盖率的测试用例，实验证明其优于现有方法。

　　

摘要

单元测试在软件开发生命周期中起着关键作用，因为它能够确保代码质量。然而，在实际开发过程中，编写高质量的单元测试仍然是一项耗时的任务。最近，大型语言模型（LLMs）在自动化单元测试生成方面的应用展现出了令人鼓舞的结果。现有的方法主要针对解释型编程语言（例如Java），而针对编译型编程语言（如C++）的成熟解决方案尚未得到充分探索。C++的复杂语言特性，如指针、模板和虚函数，给LLMs生成可执行且覆盖范围广的单元测试带来了特殊挑战。为了解决这些问题，本文介绍了一个基于LLM的C++单元测试生成框架CITYWALK。该框架通过程序分析帮助LLMs全面理解被测试项目中的依赖关系，同时结合从项目文档和实际观察中获得的C++语言特定知识，显著提高了LLMs生成的单元测试的正确性。我们使用广泛流行的LLM GPT-4o来实现CITYWALK。实验结果表明，在十个流行的C++项目中，CITYWALK的表现优于当前最先进的方法。我们的研究结果证明了CITYWALK在生成高质量C++单元测试方面的有效性。