SCATE: 学习监督编码智能体以实现经济高效的测试生成
论文信息
论文信息
SCATE: Learning to Supervise Coding Agents for Cost-Effective Test Generation
摘要
尽管自主编码智能体已显著推进了自动化测试生成，但其仍受限于一种根本性缺陷——懒惰生成（lazy generation），即智能体过早终止任务并系统性地回避复杂程序逻辑，导致代码覆盖率不足。目前，缓解此过早终止问题需要持续的人在人回路（human-in-the-loop）监督。这种对人类直觉的严重依赖形成了瓶颈，抵消了自动化生成的效率优势。本文提出SCATE框架，一种自适应、自动化的编码智能体监督机制，可在测试生成过程中替代人工干预。通过将监督问题建模为上下文赌博机（contextual bandit）问题，SCATE学会基于当前覆盖率和类可测试性指标选择最具前景的测试动作，在最大化覆盖增益的同时最小化生成浪费。实验评估表明，SCATE可与不同编码智能体无缝集成。当应用于GEMINI-CLI时，其行覆盖率和分支覆盖率分别比纯智能体基线高出32.3%和30.9%。与CLAUDE CODE的对比证实，该框架能动态调整策略以优化各智能体的独特优势。在所有指标上，SCATE同样持续优于最先进的非智能体方法。