文章主要内容和创新点主要内容本文提出了一种基于大语言模型（LLMs）的回归测试生成框架TestWeaver，旨在解决现有LLM-based测试生成方法中因程序执行推理能力有限而导致的“覆盖停滞”（coverage plateau）问题。该框架通过整合轻量级程序分析技术，引导LLM更高效地生成回归测试用例，具体工作流程包括：对未覆盖的目标代码行提取反向切片（仅保留影响目标行执行的关键代码），减少LLM的输入冗余；从现有测试集中检索与目标行“最接近”的测试用例（基于控制流相似性），为LLM提供执行上下文；在代码中嵌入执行内联注释（记录变量运行时状态），增强LLM对程序动态行为的理解。实验表明，在35个真实Python项目组成的CodaMosa基准测试集上，TestWeaver的行覆盖率（68%）和分支覆盖率（62%）显著优于现有方法（CoverUp和CodaMosa），且能有效避免覆盖停滞，同时在复杂程序上保持稳定性。创新点反向切片聚焦关键代码：通过提取目标行的反向切片（影响其执行的最小代码片段），减少LLM的输入噪音和幻觉，使其聚焦于关键执行逻辑。“最接近”测试用例检索：基于控制依赖关系，从现有测试集中筛选与目标行执行路径最接近的测试用例，在LLM上下文窗口限制内提供有效执行上下文，减少冗