AutoDev Workbench 是一款新型 AI 编程工具，旨在加速软件开发，提供需求分析、代码生成和测试生成等功能，支持多种编程语言。该平台通过上下文知识预生成和 MCP 服务，帮助开发者适应 AI 时代的编程方式。

本研究探讨大型语言模型（LLMs）在软件质量保证（SQA）过程中的应用，分析其在需求验证、缺陷检测和测试生成方面的效果，结果显示这些AI解决方案能够提升流程效率，确保符合国际标准，从而提高软件质量和可靠性。

本研究提出了一种基于代理的Bug再现测试（BRT）新方法，旨在解决开发者在处理缺乏细节的bug报告时的困难。实验结果表明，该方法显著提高了有效BRT的生成率，并可与自动化程序修复系统结合，增加可修复bug的数量，展示了其实际应用潜力。

本研究提出了一种新方法，通过并行训练代码生成模型和测试生成模型，利用执行反馈提升性能。实验结果表明，该方法能够有效生成测试用例并筛选正确代码，效果显著。

本文介绍了一种基于Transformer模型的单元测试生成方法，实验证明其在准确性和覆盖率上有显著提升，覆盖率达到93.1%。研究还探讨了不同代码生成模型的效果，发现Codex在某些数据集上表现良好。通过使用大型语言模型（LLMs），提出了新的测试生成方案，提升了测试质量和效率。

我们在AutoDev 0.8中完善了上下文构建方式，并设计了新的上下文工程体系。测试生成是我们的第一个试点，以探索新的prompt模式是否更方便。我们重新设计了自动测试生成的prompt，通过依赖注入来完善上下文。