软件测试的目的是以最小成本发现尽可能多的缺陷，而测试用例的质量直接决定测试效果。人工编写用例依赖经验，容易遗漏边界条件和异常途径。AI 自动化测试生成为了从代码、模型、需求文档或运行轨迹中自动推理出有效、高包括、可执行的测试用例，将测试人员从重复劳动中解放出来，聚焦于更高方面的测试设计。近年来，从根据搜索的优化算法到大规模预训练语言模型，AI 测试生成技术经历了从启发式到认知型的跨越，其研究横跨软件工程、程序分析和人工智能多个领域。

1. 技术体系

根据搜索的测试生成（SBST）

将测试生成建模为组合优化问题，利用遗传算法、模拟退火等元启发式方法，以代码包括率（分支、语句、变异）为适应度函数，进化生成测试输入序列。代表性工作 EvoSuite 可针对 Java 类自动生成 JUnit 测试套件，动态执行并不断进化，兼顾包括率和断言质量。该类方法的优点是白盒导向、可精确度量，但容易陷入局部最优，且难以处理复杂对象状态。

符号执行和混合驱动

符号执行沿程序途径收集约束，通过约束求解器产生具体输入。AI 在此常以约束求解加速或途径选择方法的形式出现，如用强化学习引导途径探索顺序，避免途径爆炸。结合符号执行和模糊测试（fuzzing）的混合框架，利用轻量级动态分析快速触达深度途径，再用符号执行求解精确输入，是工业界漏洞挖掘的主流方式。

机器学习和强化学习

有监督学习：从大量（被测函数，已有测试用例）对中学习映射，如推断输入边界或断言方式。

无监督/聚类：对 API 流量或用户会话聚类，提取典型交互序列作为基线测试。

强化学习：将被测应用视为环境，测试代理通过交互获得包括率或崩溃反馈，学习生成能最大化长期回报的操作序列。典型如 Android 测试工具 Sapienz，使用多目的遗传算法，但 RL 变体（如 Q-learning）在 GUI 探索中表现优异，可自动适应界面变化。

根据深度学习的序列生成

将测试输入视为序列，利用 RNN、LSTM 乃至 Transformer 直接生成测试数据或测试代码。DeepTest 针对自动驾驶系统，用 CNN + RNN 生成逼真的驾驶场景图像序列，以触发转向角偏差。在单元测试领域，AthenaTest 等工具用抽象语法树（AST）途径编码方法体，再解码生成带有断言的测试代码，实现端到端的测试合成。该类方法擅长模拟真实数据分布，但生成结果的可解释性和可靠性较弱。

自然语言处理和需求驱动的生成

从需求文档、用户故事或 Gherkin 语法的 BDD 场景中，通过 NLP 提取行为描述、参和者和条件，映射为结构化测试用例。早期依赖规则和语义分析，现在逐步被预训练语言模型替代。AI 不仅能生成测试步骤，还能推导预期结果，将测试设计也纳入自动化范围。

大语言模型的崛起

随着 GPT-4、Code Llama、StarCoder 等代码大模型成熟，根据提示的测试生成成为研究新范式。只需将函数签名、Javadoc/注释、或需求描述作为提示，模型即可输出高完整度的测试函数，甚至包含 Mock、异常场景和边界检查。研究进一步延伸至：

零样本/少样本泛化：无需微调即可为陌生项目生成测试。

测试预言生成：让LLM直接推断预期行为，缓解无Oracle难题。

自愈型测试：代码重构后，LLM根据变更自动修复测试脚本。

2. 应用领域和方法

在不同测试方面和场景中，AI技术的不同各有不同，此处以领域分类展开说明。

单元测试方面，代表方法及工具包括EvoSuite、Pynguin以及GitHub Copilot等，技术集中于根据搜索的测试生成、大语言模型以及AST编码。搜索算法擅长包括白盒途径，而LLM则在快速生成符合惯例的用例上优势明显。

API 和 Web 服务测试领域，Schemathesis、RESTler 和Postman AI等工具被广泛使用，其技术重要是根据规约的模糊测试和强化学习，能根据OpenAPI等规范自动推导请求序列并检验响应一致性。

GUI 和移动应用测试中，Sapienz、AppFlow 以及根据强化学习的探索代理成为主流，它们将界面操作建模为序列决定问题，利用强化学习或计算机视觉技术适应动态界面，生成包括深层交互的用例。

性能测试方面，以流量回放加变异为典型方式，常用序列生成模型（如 VAE、GAN）学习真实流量特征，生成具有相似统计特性的请求序列，用于压力测试和容量考虑。

安全测试则多采用 AFL++ 和强化学习的结合，以及 DeepHunter 等工具，通过模糊测试途径选择的智能优化和符号执行混合，提升漏洞触达效率。

BDD 和验收测试领域，Copilot for Cucumber、SpecFlow AI 等工具借助LLM和NLP语义理解能力，从自然语言描述的场景中直接生成可执行的测试步骤和断言。

3. 挑战

测试预言问题

自动生成测试的输入相对容易，但判断输出是不是正确（Oracle）是根本难题。目前依赖崩溃检测、不变量推断、蜕变测试或 LLM 模拟预期，但均不彻底。

生成结果的有效性和可读性

AI可能生成语法正确但语义荒谬的测试、永不失败的重复途径，或难以维护的晦涩代码。测试的可维护性和开发者的信任程度是落地重点。

复杂状态和环境依赖

涉及数据库、外部服务、文件系统时，需自动搭建沙箱并 Mock 依赖。AI 在处理复杂环境 setup 时仍显笨拙，常导致生成测试无法独立执行。

包括率和真实缺陷的鸿沟

高包括率不代表能发现真实业务缺陷。AI 测试生成需和风险分析、变异测试结合，提升缺陷发现能力。

大模型的幻觉和数据泄漏

LLM 可能生成调用不存在 API 的“幻觉测试”，或直接复现训练数据中的开源测试，带来版权和有效性风险。

4. 代表性工具和框架

学术开源

EvoSuite：Java 单元测试生成，GitHub万星，不断维护，是 SBST 标准。

Pynguin：面向 Python 的自动化单元测试生成，支持 SBST 和随机方法。

DeepXplore：深度学习系统差分测试，白盒生成触发神经元包括的输入。

Schemathesis：根据 OpenAPI 规约的属性化测试生成，自动检测服务器端违背。

工业级平台

GitHub Copilot / Copilot Test Generation：在IDE内根据函数体或需求注释放生成测试，开发者可交互式调整。

Diffblue Cover：企业级Java单元测试自动生成，专注可维护性。

Katalon Studio AI：Web/API/移动端智能测试录制和自愈，AI辅助元素定位。

Testim, Functionize, Mabl：根据机器学习的端到端测试平台，自动生成UI场景用例。

5. 最新研究展望

大语言模型驱动的全流程测试代理

从理解需求 - 设计测试方法 - 生成测试脚本 - 执行和诊断 - 缺陷报告，创建自主测试流水线，如 Devin 式的测试智能体。

多模态 GUI 测试

结合视觉（截图）和方面结构（DOM/View Tree），用视觉-语言模型理解界面语义，生成跨语言、跨平台的健壮测试操作。

测试预言自动推断

通过大模型分析函数注释、历史运行日志或相似函数行为，自动生成回归断言，大幅降低人工编写断言的负担。

不断测试和自演进测试套件

在CI/CD中，AI监控代码变更和线上流量，动态淘汰低效测试，生成针对热点途径的新用例，实现测试套件的“代谢”。

面向非功能需求的生成

生成针对安全漏洞、性能短板、可访问性违规的专门测试，结合领域知识图谱。

可解释和可信测试生成

使生成过程透明，提供包括率、风险分析、生成理由，增强测试团队对AI生成产物的审核和管控。