1. 执行摘要
2024年至2025年期间，单元测试（Unit Testing）与更广泛的软件质量保证（QA）领域经历了一场深刻的范式转移。这一转变的标志不再仅仅是持续集成（CI）管道的优化或测试执行的加速，而是测试生成、维护与修复的全面自主化 。根据最新的学术文献与工业界白皮书，我们正处于从"人类编写、机器执行"向"AI代理（Agentic AI）自主工程化"过渡的关键历史节点。
本报告基于对ICSE、ISSTA、ASE等顶级学术会议论文、arXiv预印本以及Meta、Diffblue、McKinsey等行业巨头的技术报告的详尽分析，揭示了以下核心趋势：
首先，代理式AI（Agentic AI）已取代简单的代码补全工具，成为测试自动化的核心驱动力 。与早期的辅助工具不同，2025年的测试代理具备规划、执行、分析与自我修复的完整闭环能力。它们能够根据复杂的上下文（如多仓库依赖、动态调用图）自主生成具有高语义价值的测试用例，并解决编译错误。
其次，学术界对LLM与传统测试方法的比较研究（即"测试战争"）得出了细致的结论 。研究表明，虽然大语言模型（LLM）在生成可读性强、语义理解深刻的测试方面表现出色（变异得分高），但在结构化覆盖率（如行覆盖、分支覆盖）和边缘情况的故障检测能力上，传统的基于搜索的软件测试（SBST）和符号执行技术仍然占据优势。这促使了混合架构（Hybrid Architecture）的兴起。
第三，变异测试（Mutation Testing）迎来了工业化复兴 。Meta公司发布的自动化合规加固工具（ACH）证明了利用LLM解决长期困扰变异测试的"等价变异体"问题的可行性，标志着测试指标从单纯的"代码覆盖率"向"故障检测能力"和"合规性硬化"的实质性转变。
最后，基础设施层面的演进同样显著 。从JavaScript生态中Vitest对Jest的替代，到Go语言引入合成时间（Synthetic Time）以解决并发测试的不稳定性，底层框架正在为适应现代云原生与异步架构进行重构。
本报告将分章节详细剖析这些技术突破、方法论之争及其对软件工程经济学的深远影响。
2. 引言：质量工程的智能化转型背景
随着软件系统复杂度的指数级增长，传统的单元测试方法论在2025年面临着严峻的可扩展性挑战。微服务架构、分布式系统以及量子计算等新兴范式的出现，使得依赖人工编写和维护测试套件变得既昂贵又低效。在此背景下，软件测试领域的研究重点已从"如何更快地运行测试"转向"如何更智能地生成和维护测试"。
根据Testlio和TestGuild发布的2025年趋势报告，软件测试正在经历向左移（Shift Left）和向右移（Shift Right）的双向扩展。向左移意味着在代码编写阶段即通过AI介入进行质量控制，而向右移则强调生产环境的持续监控。然而，最显著的变化在于质量责任的泛化 与测试手段的智能化 1。
数据表明，AI在测试领域的采用率已从几年前的早期探索阶段激增至2024年的72.3%，其中超过半数的DevOps团队已集成某种形式的自动化质量平台 2。这一激增并非仅仅是工具层面的替换，而是深层工作流的重塑。麦肯锡的分析指出，生成式AI的应用正在从单纯的文本生成扩展到解决复杂的工程问题，尽管大规模扩展仍面临挑战，但其在单元测试生成中的潜力已被广泛认可 3。
然而，这种转型并非没有阻力。PractiTest的2025年测试状态报告显示，尽管AI工具备受关注，但在实际落地中仍存在关于准确性、误报率以及对复杂逻辑理解能力的担忧。近半数的测试社区成员尚未完全采用AI工具，这主要归因于对AI能力的信任缺失以及组织准备度的不足 4。这种"采用鸿沟"促使学术界和工业界加大了对高可靠性、可解释性测试AI的研究投入，从而催生了本报告后续章节将详细讨论的"代理式测试"与"混合模糊测试"等突破性技术。
3. 代理式AI（Agentic AI）在单元测试中的崛起
2025年被广泛认为是"代理式AI测试"的元年。与传统的自动化脚本或早期的AI代码助手（Copilot）不同，AI代理具备自主感知环境、规划任务序列、执行操作并根据反馈进行调整的能力。在单元测试领域，这意味着AI不再仅仅是根据函数签名补全一段断言，而是能够像人类工程师一样，分析整个项目的依赖关系，制定测试策略，并自主修复生成的测试代码。
3.1 从辅助到自主：代理的工作机理
测试代理（Test Agents）的核心价值在于其闭环工作流。根据Lasso Security和Qodo等技术分析，代理式AI工具具备以下关键能力：
- 任务规划与执行 ：代理能够将"提高核心模块覆盖率"这一高层目标分解为具体的子任务，如分析依赖、生成Mock对象、编写测试用例、运行测试。
- 多代理协作 ：先进的系统采用多代理架构，不同的代理分别扮演"测试生成者"、"代码审查者"和"环境配置者"的角色，通过协作提高测试质量。
- 自我修复与反馈循环 ：这是代理与普通LLM生成的最大区别。如果生成的测试无法通过编译或执行失败，代理会分析错误日志（Stack Trace），理解失败原因（是逻辑错误还是依赖缺失），并自主修改代码直至测试通过 5。
例如，Qodo（前CodiumAI） 在2025年推出的多仓库代码库智能引擎（Multi-repo codebase intelligence），解决了传统工具无法理解跨仓库依赖的痛点。通过上下文引擎，Qodo的代理能够在企业级规模的代码库中进行推理，生成符合复杂业务逻辑的集成级单元测试，而不仅仅是孤立的函数测试 7。
3.2 强化学习与大语言模型的路径之争
在实现自主测试生成的路径上，目前存在两种主要的技术流派：基于强化学习（Reinforcement Learning, RL） 的方法和基于大语言模型（Large Language Model, LLM） 的方法。这两者在2025年的基准测试中表现出了显著的差异化优势。
3.2.1 强化学习派：Diffblue Cover
Diffblue Cover 是强化学习路线的代表。它不依赖于文本概率预测，而是通过对Java虚拟机（JVM）状态空间的探索来生成测试。
- 确定性与正确性 ：由于其基于代码的实际执行路径进行搜索，Diffblue生成的测试在数学上是确定的，并且保证能够编译和通过。这消除了LLM常见的"幻觉"问题（即生成调用不存在方法的代码）。
- 生产力效能 ：在2025年的基准测试报告中，Diffblue Cover在生成有效测试代码的体量上，展现出了相对于GitHub Copilot、Claude Code等LLM工具高达20倍的生产力差距 。在针对Apache Tika等开源项目的测试中，Diffblue在相同时间内实现了54%的行覆盖率，而Claude Code仅为17% 8。
- 适用场景 ：该工具特别适合大规模遗留代码（Legacy Code）的回归测试生成，因为它能快速为现有逻辑建立"安全网"。
3.2.2 大语言模型派：Qodo、EarlyAI与Tusk
以Qodo 、EarlyAI 和Tusk 为代表的工具则利用LLM的语义理解能力。
- 语义理解与意图 ：LLM的优势在于能够理解代码的"意图"和变量命名的语义，从而生成具有描述性名称和有意义断言（Assertions）的测试。相比之下，RL生成的测试往往变量命名晦涩，难以被人类开发者阅读和维护。
- 开发者体验 ：EarlyAI 专注于VS Code集成，通过"一键生成"功能，旨在降低开发者的测试编写门槛。其核心竞争力在于生成的测试代码质量高、断言清晰，更符合"测试驱动开发"（TDD）的理念，适合新功能的开发辅助 10。
- Tusk 等Y Combinator支持的初创公司则推出了能够处理代码变更并自动更新相应单元测试的代理，直接嵌入CI/CD流程 12。
3.3 代理式测试的市场格局与数据
市场数据佐证了这一技术路线的分化与互补。根据Opkey和TestGrid的报告，代理式AI正在重塑ERP系统和DevOps流程的测试环节。2025年，端到端自主质量平台在DevOps中的集成度已超过51.8% 2。企业在选择工具时，面临着在"高覆盖率、确定性回归保护"（Diffblue）与"高可读性、辅助新功能开发"（Qodo/EarlyAI）之间的权衡。
4. 方法论之争："测试战争"（The Test Wars）
随着LLM介入单元测试生成，学术界对其有效性进行了严格的实证研究。2025年发表在ICST和arXiv上的一项具有里程碑意义的研究------《测试战争：SBST、符号执行与基于LLM的单元测试生成方法的比较研究》 （Test Wars: A Comparative Study of SBST, Symbolic Execution, and LLM-Based Approaches），为这场技术路线之争提供了详实的数据支持 14。
4.1 核心对比维度与实验结果
该研究在GitBug Java数据集上，对比了EvoSuite （基于搜索的软件测试，SBST）、Kex （符号执行）和TestSpark （基于LLM的生成工具）。研究结果揭示了各技术的显著优劣势，打破了"LLM将完全取代传统方法"的迷思。
|----------------------------------|--------------------------------|------------------------------------------|-------------------------------------------------------------------------------------------------|
| 评估维度 | SBST (EvoSuite) / 符号执行 | LLM-Based Approaches (TestSpark) | 深度洞察与原因分析 |
| 代码覆盖率 (Code Coverage) | 显著领先 | 较低 | SBST算法（如遗传算法）擅长通过数学优化探索深层嵌套的条件分支和复杂的控制流路径，而LLM往往受限于上下文窗口，难以触及深层逻辑。 |
| 变异得分 (Mutation Score) | 较低 | 显著领先 | 这是一个关键发现。虽然LLM覆盖的代码行数少，但它们生成的测试更强 。LLM能够理解代码的语义，编写出能捕捉细微逻辑错误的断言；而SBST往往只生成"不崩溃即可"的浅层测试。 |
| 故障检测能力 (Fault Detection) | 更高 | 较低 | 由于SBST系统地探索边界条件（如空值、极大极小值），它们在发现潜在崩溃和未处理异常方面表现更好。 |
| 可读性与维护性 | 极差（"意大利面条代码"） | 极高 | LLM生成的测试代码结构清晰，命名规范，接近人类编写风格，开发者更愿意将其纳入代码库维护。 |
| 对被测类复杂度的敏感性 | 受影响，但能应对 | 高度敏感 | 随着被测类（CUT）规模和内部依赖的增加，LLM的性能急剧下降，主要受限于模型的上下文窗口和推理能力的衰减。 |
4.2 互补性与混合方法的必然性
"测试战争"研究得出的最重要结论是：这三种技术覆盖的有效测试场景重叠度极低 15。这意味着它们捕捉的是不同类型的缺陷。
- SBST擅长发现结构性的、边界条件的崩溃。
- LLM擅长发现语义上的、业务逻辑层面的错误。
因此，2025年的研究方向已不再是单一技术的优胜劣汰，而是混合架构（Hybrid Architecture） 的探索。例如，研究者正在尝试利用LLM来增强SBST的初始种群生成，或者利用SBST来覆盖LLM遗漏的复杂路径。这种互补性在工业界已经开始体现，例如Meta的ACH工具实际上就是一种结合了LLM语义理解与自动化执行验证的混合系统。
5. 变异测试的工业化复兴与Meta的突破
变异测试（Mutation Testing）长期以来被视为评估测试套件质量的"金标准"，其原理是向代码中注入人工故障（变异体），看测试是否能失败（"杀死"变异体）。然而，由于计算成本高昂和"等价变异体"（Equivalent Mutant）问题，它一直难以在工业界大规模落地。2025年，随着LLM的应用，变异测试迎来了革命性的突破。
5.1 Meta的自动化合规加固工具（ACH）
Meta在2025年推出的ACH（Automated Compliance Hardening） 工具，代表了变异测试从理论走向大规模工业应用的典范。ACH不仅是一个测试生成工具，更是一个基于故障的（Fault-Centric） 质量保证系统 17。
5.1.1 架构与工作流
ACH系统由三个协同工作的LLM代理组成，这一架构巧妙地解决了传统变异测试的痛点：
- 故障生成代理（Fault Generator Agent） ：不同于传统工具随机替换运算符（如将+改为-），该代理基于工程师提供的自然语言描述（如"隐私检查必须在日志记录之前"），生成具有特定语义的、现实的故障代码（变异体）。
- 等价性检测代理（Equivalence Detector Agent） ：这是系统的核心创新点。传统上，判断一个变异体是否与原代码逻辑等价是不可判定的。Meta利用LLM强大的代码理解能力作为"裁判"，分析变异体与原代码的语义差异。实验数据显示，该代理在检测等价变异体方面达到了0.79的精确度 ，经过预处理优化后甚至可达0.95 19。这极大地减少了无效变异体对计算资源的浪费和对开发者的干扰。
- 测试生成代理（Test Generator Agent） ：一旦确认为有效的非等价变异体，第三个代理将生成专门用于检测该故障的测试用例。
5.1.2 从覆盖率到故障检测的思维转变
ACH的部署标志着测试思维的根本转变：从追求"代码覆盖率"转向追求"特定故障类别的免疫力"。在Meta的Instagram、Messenger等大规模产品中，ACH被用于针对性地强化代码对隐私泄露、安全漏洞等特定问题的防御能力。工程师们发现，即使ACH生成的测试没有直接捕捉到预设的关注点，它们往往也能发现其他潜在的逻辑缺陷，这证明了基于语义变异的测试具有强大的泛化能力 19。
5.2 变异算子的进化
除Meta外，学术界（如arXiv:2406.09843）的研究也表明，利用LLM生成的变异体比传统基于规则生成的变异体更具多样性，且在行为上更接近真实的Bug。实验显示，LLM生成的变异体在故障检测率上比基于规则的方法高出46.34个百分点 21。这一发现正在推动变异测试工具链的全面升级，预示着未来CI流水线中，基于LLM的变异分析将成为标准配置。
6. 不稳定测试（Flaky Tests）的挑战：图驱动的检测与修复
不稳定测试（即在代码无变更的情况下，结果时而通过时而失败的测试）是CI/CD流水线中的顽疾。2024年首届国际不稳定测试研讨会（FTW）的召开，标志着这一问题已成为独立的学术研究领域 22。2025年，针对这一问题的解决方案出现了质的飞跃。
6.1 根因分析：为何测试会"闪烁"？
2024-2025年的研究将不稳定性的主要来源归结为：
- 并发与竞争条件（Concurrency & Race Conditions） ：这是最常见也最难复现的原因。
- 执行顺序依赖（Order Dependency） ：测试A修改了全局状态，导致测试B失败。
- 表驱动测试的副作用 ：特别是在Go语言等现代栈中，表驱动测试（Table-Driven Tests）复用同一测试函数处理多组数据，单一用例的副作用往往污染整个测试表 24。
6.2 下一代修复技术：FlakyGuard
针对现有LLM修复工具（如FlakyDoctor）存在的"上下文窗口"问题------即提供的代码片段要么太少导致LLM"幻觉"，要么太多导致噪音干扰------研究人员提出了FlakyGuard 。
FlakyGuard的核心创新------选择性图探索（Selective Graph Exploration）：
- 动态调用图构建 ：FlakyGuard不直接将源代码文本喂给LLM，而是首先运行不稳定的测试，跟踪其执行轨迹，构建动态调用图。
- LLM引导的图遍历 ：系统利用LLM的推理能力，在调用图上进行"选择性遍历"。它智能地判断哪些节点（函数调用、变量状态）与当前的失败模式相关，从而精准地提取出包含根因的代码切片。
- 效果 ：这种方法有效地解决了上下文长度限制问题。在工业级代码库的评估中，FlakyGuard成功修复了47.6% 的可复现不稳定测试，且生成的修复方案获得了开发者100%的有用性评价 ，在修复成功率上比现有最先进技术（SOTA）高出至少22% 24。
6.3 语言层面的解决方案：Go synthetic time
除了事后修复，编程语言本身也在进化以减少不稳定性。Go 1.24 （2025年2月发布）引入了实验性的 testing/synctest 包，支持合成时间（Synthetic Time） 。
- 机制 ：该机制允许在一组goroutine中通过"气泡"隔离时间。在这个气泡内，时间是虚拟的，time.Sleep() 不会真的阻塞物理时间，而是直接推进虚拟时钟。
- 影响 ：这使得基于时间的并发测试（通常是Flaky Test的重灾区）变得确定性 且瞬时完成 ，从根本上消除了因系统负载波动导致的测试超时或竞态失败 25。
7. 自动断言生成与硬件验证
单元测试的灵魂在于"断言"（Assertion）。没有高质量断言的测试只是代码执行练习。2025年的研究在自动断言生成方面取得了重要进展，特别是针对硬件设计验证这一特殊领域。
7.1 断言生成的语义挑战
现有研究指出，虽然工具可以生成测试输入，但在生成具有描述性消息（Assertion Messages）的断言方面表现不佳。开发者编写的测试中，仅有约6%包含自定义断言消息，而自动生成工具（如EvoSuite）生成的断言往往缺乏可读性，导致测试失败时难以调试 27。
为此，学术界提出了利用解码器架构的LLM（如GPT-4o）结合上下文学习（ICL）来生成不仅逻辑正确，而且包含解释性消息的断言 28。这不仅提高了测试的有效性，也极大地改善了开发者在CI失败时的调试体验。
7.2 AssertLLM：硬件验证的突破
在芯片设计领域，断言用于验证硬件描述语言（HDL，如Verilog）实现的逻辑是否符合架构规范。AssertLLM 框架展示了如何利用LLM从非结构化的自然语言规范文档和波形图中提取信息，生成结构化的系统级断言（SystemVerilog Assertions, SVA）。
- 流程 ：AssertLLM首先将自然语言规范和时序波形转换为中间结构的描述模板，然后利用微调后的LLM生成最终的断言代码。
- 结果 ：评估显示，AssertLLM生成的断言在准确性和质量上均优于通用的GPT-4o模型，有效解决了硬件验证中人工编写断言耗时且易错的瓶颈 29。
8. 框架演进与现代化
随着开发生态的变迁，底层的单元测试框架也在2025年迎来了重要的版本迭代，以适应新的语言特性和工程需求。
8.1 JavaScript/TypeScript：Vitest 对 Jest 的全面替代
在前端与Node.js生态中，Vitest 在2025年已确立了其相对于Jest的统治地位。
- 技术驱动力 ：这一转变的根本动力在于ESM（ECMAScript Modules） 的普及。Jest诞生于CommonJS时代，其对ESM的支持依赖于复杂的转换层，导致在现代项目中运行缓慢且配置繁琐。而Vitest基于Vite构建，原生支持ESM，利用Vite的转换管道实现了极速的"热模块重载"（HMR）测试体验 30。
- 浏览器模式（Browser Mode） ：Vitest 4.0正式稳定了浏览器模式，允许开发者直接在真实浏览器（通过Playwright或WebDriverIO驱动）中运行单元测试，而非依赖模拟的JSDOM环境。这对于依赖复杂浏览器API的现代Web应用至关重要，消除了模拟环境与真实环境差异导致的"假阳性"测试通过 31。
8.2 Java：JUnit 5.11/5.12 的数据驱动增强
作为Java生态的基石，JUnit 5在2024-2025年的更新重点在于增强参数化测试和报告能力。
- @FieldSource ：允许直接使用字段作为参数化测试的数据源，简化了数据驱动测试的编写 32。
- 开放测试报告（Open Test Reporting） ：JUnit 5.12 改进了对XML输出标准的支持，这不仅仅是格式的更新，更是为了更好地对接现代CI/CD分析平台和AI测试分析工具，使得测试结果数据更容易被机器消费和挖掘 33。
8.3 Go：基准测试的科学化
Go 1.24 除了引入合成时间外，还重构了基准测试（Benchmark）的循环机制。新的 testing.B.Loop 方法解决了旧版 for i < b.N 循环中常见的编译器优化误导、setup代码重复执行等问题，使得性能基准测试的结果更加科学可靠 34。
9. 专业测试领域：量子、IaC与模糊测试
除了通用的应用软件测试，2025年的研究在特定垂直领域也取得了显著进展。
9.1 量子软件测试
随着量子计算的发展，量子程序的正确性验证成为前沿课题。ICSE 2025接收的论文探讨了多子程序量子程序的测试 ，提出了从单元测试到集成测试的过渡方案。由于量子态的叠加与纠缠特性，传统的断言（断定变量为特定值）不再适用，研究者正在开发基于统计保真度（Fidelity）和量子态层析成像（Tomography）的新型测试预言机（Test Oracles） 36。
9.2 基础设施即代码（IaC）的混合模糊测试
针对Terraform、Ansible等IaC代码，传统的静态分析往往无法捕捉资源部署后的运行时状态错误。HIT框架 提出了一种针对IaC程序的混合模糊测试（Hybrid Fuzzing）方法，结合了模糊测试与混合符号执行（Concolic Execution）。该方法能够模拟云资源的各种可能状态，有效检测IaC脚本在特定资源状态下的配置漂移和部署失败风险，填补了DevOps测试链中的重要空白 38。
9.3 混合模糊测试（Hybrid Fuzzing）的通用化
模糊测试（Fuzzing）正逐渐融合进单元测试的工作流。CI Fuzz 等工具在2025年推出了AI驱动的测试代理，能够自动生成模糊测试目标（Fuzz Targets）。通过结合LLM对代码结构的理解和Fuzzer对输入空间的暴力探索，混合模糊测试（如HLPFUZZ）成功攻克了语言处理器中复杂的约束求解难题，发现了大量传统方法遗漏的深层Bug 39。
10. 自愈与自主维护：经济学视角的转变
随着测试自动化程度的提高，维护成本（Maintenance Debt）成为了新的瓶颈。传统的UI或集成测试往往因为一个CSS类名的改变而失败。2025年，自愈（Self-Healing） 技术已成为测试工具的标配。
10.1 自愈机制的普及
工具如Mabl 、TestRigor 和Healenium 利用AI算法在运行时动态修复测试脚本。
- 工作原理 ：当预设的定位器（Locator）失效时，AI会分析DOM树，寻找在属性、位置或视觉上最接近原元素的替代者，自动完成交互，并在测试结束后建议更新脚本 41。
- 经济效益 ：数据表明，自愈技术能减少约50%的测试维护工作量。这促使QA团队的角色从"脚本维护工"转变为"质量策略师"，将节省下来的时间投入到探索性测试和更复杂的场景设计中 43。
10.2 维护的自主化
更进一步，Tusk等工具实现了针对代码变更的自主维护 。当开发者修改了业务逻辑代码，代理不仅会运行测试，还会识别出因逻辑变更而过时的测试用例，并自动发起Pull Request来更新测试代码。这种"同步进化"的能力是维持高测试覆盖率的关键 12。
11. 经济与劳动力影响
技术的进步正在重塑软件测试行业的经济结构和人才需求。
11.1 技能图谱的重构
根据PractiTest的报告，沟通技能 （75%）已超越技术脚本编写能力，成为测试人员最重要的技能 4。这反映了AI辅助下的新工作形态：测试人员不再需要手写每一行断言代码，而是需要清晰地向AI代理传达测试意图、业务约束和风险边界。提示工程（Prompt Engineering）和架构理解能力成为新的核心竞争力。
11.2 ROI与工具选择
企业在工具选择上更加注重投资回报率（ROI）。虽然开源模型（如OpenAI的o3）在推理能力上表现优异，但出于数据隐私和成本控制的考虑，企业级用户更倾向于混合使用商业化的垂直领域工具（如Diffblue）和私有化部署的微调模型 8。
12. 结论
2025年的单元测试领域已远非昔日的"断言编写"可比。它演变成了一个由代理式AI 驱动、图算法 增强、变异分析 验证的精密工程体系。
- 技术层面 ：我们见证了从单纯的代码覆盖率向语义理解和故障检测能力的回归。LLM与传统方法（SBST、符号执行）的结合（Hybrid Approaches）被证明是通往高质量自动生成的必由之路。
- 流程层面 ：测试不再是一个离散的阶段，而是通过自愈和自主维护代理，通过"左移"和"右移"无缝融入了DevOps的每一个毛细血管。
- 展望 ：未来的挑战将从"如何生成测试"转移到"如何验证生成测试的AI"（即AI的监管与对齐）。随着量子计算等新计算范式的普及，测试理论本身也将迎来新的数学基础。
对于软件工程从业者而言，拥抱代理式工作流 ，掌握混合测试架构 ，并培养高层质量策略设计能力 ，是在这一新时代保持竞争力的关键。
关键技术与工具索引：
- Agentic AI: Qodo (Codium), Diffblue Cover, Tusk, EarlyAI, CodeRabbit.
- Repair/Flakiness: FlakyGuard, FlakyFix, FlakyDoctor.
- Frameworks: Vitest (JS), JUnit 5 (Java), Go 1.24 (synctest).
- Methodologies: Mutation Testing (Meta ACH), Hybrid Fuzzing (HLPFUZZ), SBST (EvoSuite).
- Self-Healing: Healenium, Mabl, TestRigor.
引用的著作
- 10 Software Testing Trends to Look Out for in 2025 - Testlio, https://testlio.com/blog/software-testing-trends/
- 8 Automation Testing Trends for 2025 (Agentic AI) - Test Guild, 025: Agents, innovation, and transformation - McKinsey, https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
- state of testing™ - report 2025 - PractiTest, https://www.practitest.com/assets/pdf/stot-2025.pdf
- Top Agentic AI Tools in 2025: Key Features, Use Cases & Risks - Lasso Security, https://www.lasso.security/blog/agentic-ai-tools
- Agentic AI Testing: The Future of Autonomous Software Quality Assurance - TestGrid, https://testgrid.io/blog/agentic-ai-testing/
- Top 5 Agentic AI Tools for Developers in 2025 - Qodo, https://www.qodo.ai/blog/agentic-ai-tools/
- New Benchmark Report: Diffblue Cover vs. Leading AI Coding Assistants, https://www.diffblue.com/resources/benchmark-report-diffblue-llm-comparison-2025/
- Diffblue Cover vs Claude, Copilot & Qodo: 2025 Benchmark Study, https://www.diffblue.com/resources/diffblue-cover-vs-ai-coding-assistants-benchmark-2025/
- EarlyAI - AI generated unit testing for JavaScript, TypeScript, Python (React, Node.js, Angular). Supported by Jest, Mocha, Vitest and Pytest. - Visual Studio Marketplace, https://marketplace.visualstudio.com/items?itemName=Early-AI.EarlyAI
- Generate unit tests with EarlyAI - YouTube, https://www.youtube.com/watch?v=lT8jeRdCTos
- Top 11 AI Tools Helping Developers with Software Testing (2025) - Tusk, https://www.usetusk.ai/resources/ai-tools-software-testing-developers
- Test Automation White Papers by Opkey | No-Code Testing, https://www.opkey.com/white-papers
- A Comparative Study of SBST, Symbolic Execution, and LLM-Based Approaches to Unit Test Generation (ICST 2025 - Research Papers) - conf.researchr.org, 访https://conf.researchr.org/details/icst-2025/icst-2025-papers/20/Test-Wars-A-Comparative-Study-of-SBST-Symbolic-Execution-and-LLM-Based-Approaches-
- Test Wars: A Comparative Study of SBST, Symbolic Execution, and LLM-Based Approaches to Unit Test Generation | Request PDF - ResearchGate, https://www.researchgate.net/publication/391916016_Test_Wars_A_Comparative_Study_of_SBST_Symbolic_Execution_and_LLM-Based_Approaches_to_Unit_Test_Generation
- A Comparative Study of SBST, Symbolic Execution, and LLM-Based Approaches to Unit Test Generation - arXiv, https://arxiv.org/pdf/2501.10200
- Revolutionizing software testing: Introducing LLM-powered bug catchers, https://engineering.fb.com/2025/02/05/security/revolutionizing-software-testing-llm-powered-bug-catchers-meta-ach/
- Meta Introduces LLM-Powered Tool for Software Testing - InfoQ, https://www.infoq.com/news/2025/02/meta-ach-tool/
- Mutation-Guided LLM-based Test Generation at Meta (FSE 2025 - Industry Papers), https://conf.researchr.org/details/fse-2025/fse-2025-industry-papers/16/Mutation-Guided-LLM-based-Test-Generation-at-Meta
- Meta's ACH: An LLM-Powered Tool for Advanced Software Testing - Talent500, https://talent500.com/blog/meta-ach-llm-software-testing-tool/
- A Comprehensive Study on Large Language Models for Mutation Testing - arXiv, https://arxiv.org/abs/2406.09843
- 1st International Flaky Tests Workshop 2024 (FTW 2024) - ICSE 2024 - conf.researchr.org, https://conf.researchr.org/home/icse-2024/ftw-2024
- Summary of the 1st International Flaky Test Workshop (FTW 2024) - ResearchGate, https://www.researchgate.net/publication/382388513_Summary_of_the_1st_International_Flaky_Test_Workshop_FTW_2024
- FlakyGuard: Automatically Fixing Flaky Tests at Industry Scale - arXiv, https://arxiv.org/html/2511.14002v1
- What's New in Go 1.24 | Better Stack Community, Release Notes - The Go Programming Language, https://go.dev/doc/go1.24
- Assertion Messages with Large Language Models (LLMs) for Code - arXiv, https://arxiv.org/html/2509.19673v1
- Are LLMs Ready for Practical Adoption for Assertion Generation? - arXiv, https://arxiv.org/html/2502.20633v1
- AssertLLM: Generating Hardware Verification Assertions from Design Specifications via Multi-LLMs - Zhiyao Xie, https://zhiyaoxie.com/files/ASPDAC25_AssertLLM.pdf
- Jest vs Vitest: Which Test Runner Should You Use in 2025? | by Ruver Dornelas - Medium, https://medium.com/@ruverd/jest-vs-vitest-which-test-runner-should-you-use-in-2025-5c85e4f2bda9
- Vitest 4.0 is out!, https://vitest.dev/blog/vitest-4
- JUnit 5 Release Notes, https://docs.junit.org/5.11.4/release-notes/index.html
- JUnit 5 Release Notes, https://docs.junit.org/5.12.1/release-notes/
- Go 1.24's New Benchmark Function; a better way to benchmark - ByteSizeGo, https://www.bytesizego.com/blog/go-124-new-benchmark-function
- Go 1.24 interactive tour - Anton Zhiyanov, https://antonz.org/go-1-24/
- ICSE 2025 - Research Track - ICSE 2025 - conf.researchr.org, https://conf.researchr.org/track/icse-2025/icse-2025-research-track
- New Ideas and Emerging Results (NIER) - ICSE 2025 - conf.researchr.org, https://conf.researchr.org/track/icse-2025/icse-2025-new-ideas-and-emerging-results
- Hybrid Fuzzing of Infrastructure as Code Programs (Short paper), https://programming-group.com/assets/pdf/papers/2025_hybrid-fuzzing-of-iac-programs.pdf
- Top Fuzz Testing Tools of 2025: Feature Comparison - Code Intelligence, https://www.code-intelligence.com/blog/top-fuzz-testing-tools
- Hybrid Language Processor Fuzzing via LLM-Based Constraint Solving - USENIX, https://www.usenix.org/system/files/usenixsecurity25-yang-yupeng.pdf
- Self-Healing Test Automation: A Complete Guide - Quash, https://quashbugs.com/blog/self-healing-test-automation
- Self-Healing Test Automation: Reduce Failures & Boost Efficiency - ACCELQ, https://www.accelq.com/blog/self-healing-test-automation/
- AI Testing Agents: Redefining Software Quality and QA in 2025 - LambdaTest,https://www.lambdatest.com/learning-hub/ai-agent-testing
- How 100 Enterprise CIOs Are Building and Buying Gen AI in 2025 - Andreessen Horowitz, https://a16z.com/ai-enterprise-2025/