用于测试维护预测的智能体信息融合探索
软件工程
2026-07-06 v1 人工智能
多智能体系统
摘要
测试维护是一项关键且成本高昂的活动，尤其是在代码库快速演进的情况下。为了提供帮助，我们提出 MAST，一个多智能体框架，用于预测在生产代码更改后哪些测试用例需要维护。此识别任务是任何后续维护活动的必要前提，但由于生产代码和测试代码之间的复杂关系，仍然具有挑战性。MAST 通过智能融合和后检查程序集成多种分析（包括静态、词汇和语义分析），并专注于现实的使用和评估设置（即标准化输入格式、仓库级分析以及推断测试与生产工件之间关系的能力，而不是假设预先存在的映射），从而推进了最先进的技术。我们在来自 Ericsson AB 的 21 个工业 Java 仓库上评估了 MAST，考虑了真实情况中需要和不需要测试维护的情况。MAST 比最先进的基线产生了更高的精确率，从而获得了更高的准确率、F1 和 F2 分数，但召回率有所损失。我们的消融研究证明了每种分析在产生最终建议中的价值。MAST 展示了在执行软件测试任务时融合多个信息源的多智能体系统的潜力。
引用
@article{arxiv.2607.04786,
title = {An Exploration of Agentic Information Fusion for Test Maintenance Prediction},
author = {Jingxiong Liu and Nasser Mohammadiha and Gregory Gay},
journal= {arXiv preprint arXiv:2607.04786},
year = {2026}
}