基于 SLM 的自动测试生成提示策略的可持续性分析

软件测试中越来越多地采用基于提示的自动化，引发了有关其计算和环境可持续性的重要问题。人工智能驱动测试中现有的可持续性研究主要集中在 大语言模型，而很大程度上未探索即时工程策略的影响 - 特别是在小语言模型 (SLM) 的背景下。这一差距至关重要，因为即使模型大小固定，即时设计也会直接影响推理行为、执行成本和资源利用率。据我们所知，本文首次对使用 SLM 进行自动测试生成的即时工程策略进行了系统的可持续性评估。我们在受控实验设置下分析了三个开源 SLM 的七种提示策略。我们的评估共同考虑执行时间、词元使用、能源消耗、碳排放和覆盖率测试质量，后者通过对生成的测试脚本的覆盖率分析进行评估。结果表明，提示策略对可持续发展结果具有实质性和独立的影响，通常超过模型选择的影响。思维链和自我一致性等推理密集型策略实现了更高的覆盖率，但会导致执行时间、能源消耗和碳排放显着增加。相比之下，零射击和 ReAct 等更简单的策略可提供具有竞争力的覆盖测试质量，同时显着降低环境成本，而从最少到最多和思维计划则提供平衡的权衡。