摘要
准确的故障定位在降低软件维护成本方面起着关键作用。尽管大型语言模型（LLMs）具有很强的代码理解能力，但当应用于大规模软件项目时，其有效性仍然有限，主要是由于缺乏运行时执行信息以及检索精度不足。本文提出了一种新颖的故障定位方法，该方法将进化测试工具EvoSuite与LLMs结合，并通过一种称为TGAR-HB（基于分类法的自适应检索与分层回溯）的机制进行增强。该框架首先利用EvoSuite自动生成单元测试，从而捕捉动态的运行时上下文。然后引入一种基于置信度的分层回溯机制来动态优化检索过程。具体来说，输入的故障信息被划分为三个层次：代码域、功能模块和故障类型，从而能够更精确地与存储在知识库中的历史故障定位经验进行匹配。这种设计旨在通过将LLM的推理基于检索到的知识来降低误判的风险。在Defects4J基准测试上的实验结果表明，所提出的方法显著优于传统的基于谱的故障定位（SBFL）技术（如Ochiai方法），以及普通的LLMs和标准的RAG基线。值得注意的是，DeepSeek + TGAR-HB组合取得了最佳性能，Top-1准确率为34.73%，Top-10命中率为78.18%，同时保持了较低的均值平均排名（MAR）为3.13。此外，消融研究证实了TGAR-HB框架在代码检索方面的有效性。总体而言，这项工作通过将动态测试与基于LLM的语义推理相结合，提出了一种新的自动化软件调试方法。
