随着人工智能驱动的软件测试（AI4Testing）需求日益增长，业界亟需通用且高效的框架来利用大语言模型（LLM）提升软件质量。然而，现有基于LLM的测试方法普遍存在两大局限：生成的测试程序过于简单化，而与LLM的密集交互又会带来高昂的计算成本。
我们提出了一种创新框架，将测试过程解耦为两个独立阶段：离线阶段与在线阶段。离线阶段利用LLM生成大量小型但功能丰富的代码片段；在线阶段则通过策略性复用与组合这些片段，构建出复杂的测试程序。这种设计显著提升了AI辅助测试的效率和表现力。
我们将该理念具象化为名为LegoFuzz的工具，应用于C编译器测试领域。实验结果令人瞩目：在GCC和LLVM中共发现66个缺陷，其中近半数是现有LLM工具未能检测到的严重误编译问题——这类缺陷不仅危害性大且极难捕捉。
该框架展现了模块化、基于复用的设计理念在AI4Testing中的潜力，同时揭示了超越编译器测试的广阔应用前景。其灵活架构使其能轻松适配各类软件系统，并可无缝集成到工业级持续集成（CI）流程中。
Yunbo Ni: 即将入读香港中文大学博士项目，研究方向为软件测试。
我目前是南京大学软件工程专业的本科生，师从SSCT实验室的冯洋教授，研究兴趣涵盖编程语言与软件工程领域。
2025年秋季，我将加入香港中文大学（CUHK）攻读博士学位，由李少华教授指导。
