Uporaba s poizvedovanjem obogatenega generiranja za avtomatsko generiranje testovStarašinič, Žan (Avtor) Vavpotič, Damjan (Mentor) avtomatsko generiranje testovveliki jezikovni modelitestiranje programske opremeRAGPisanje testov je časovno zahteven del razvoja programske opreme in razvijalci vsak dan porabijo veliko časa za njihovo pripravo. Ob hitrem razvoju na področju velikih jezikovnih modelov smo hoteli preveriti uspešnost tehnologije s poizvedovanjem obogatenega generiranja (RAG) za avtomatsko generiranje testov v jeziku Python. Veliki jezikovni modeli so uspešni pri generiranju kode, a kakovostno testiranje je ena izmed njihovih večjih pomanjkljivosti, pogosto namreč generirajo teste brez razumevanja konteksta. RAG je tehnika, ki zaobide pomanjkanje domenskega znanja tako, da na podlagi analizirane funkcije v bazi znanja najde podobne teste, s katerimi lahko pravilno generira nove. Z najdenimi primeri jezikovni model ustvari teste brez halucinacij in drugih omejitev. Raziskali in implementirali smo prototip sistema in ga preizkusili na realnem projektu z objektivnimi in subjektivnimi metrikami. Generirani testi so dosegli višjo pokritost kode, medtem ko so bili pri odkrivanju dejanskih napak manj uspešni od ročno napisanih testov. Programerji pa so s subjektivnimi ocenami dodatno potrdili prednost ročnih testov.20252025-09-08 10:40:01Diplomsko delo/naloga172524VisID: 38184COBISS_ID: 248932611sl