基于 SLM 的自动化测试生成提示策略可持续性分析

基于提示的自动化在软件测试中的日益采纳引发了关于其计算和环境可持续性的重要问题。现有可持续性研究主要聚焦于大型语言模型，留下了关于提示工程策略在小型语言模型 (SLM) 中的影响几乎未探索的空白——尤其是在小型语言模型中，提示设计直接影响推理行为、执行成本和资源利用。本文就 SLM 用于自动化测试生成的提示策略可持续性进行首个系统评估。我们在受控实验环境下分析了七种提示策略和三种开源 SLM。我们的评估同时考虑执行时间、标记用量、能源消耗、碳排放以及覆盖测试质量，后者通过对生成测试脚本的覆盖率分析进行评估。结果表明，提示策略对可持续性结果具有显著且独立的影响，往往超过模型选择的影响。链路思考 (Chain of Thought) 和自我一致性 (Self-Consistency) 等推理密集型策略实现更高的覆盖率，但造成显著更高的执行时间、能源消耗和碳排放。相比之下，零样本 (Zero-Shot) 和 ReAct 等更简单策略在保持显著较低环境成本的同时，实现了具竞争力的覆盖测试质量，而 Least-to-Most 和 Program of Thought 提供了更具平衡性的权衡。