OmniBench-RAG: A Multi-Domain Evaluation Platform for Retrieval-Augmented Generation Tools
Huazhong University of Science（华中科技大学）
针对RAG评估缺乏多领域覆盖和标准化框架的问题，提出OmniBench-RAG自动化平台，通过改进和转换两个指标，在九个领域评估RAG性能，揭示其效果因领域而异，强调系统化评估的重要性。
2025-07-26 cs.AI cs.IR
Automated Generation of Curriculum-Aligned Multiple-Choice Questions for Malaysian Secondary Mathematics Using Generative AI
Fakulti Komputeran dan Meta-Teknologi (META), Universiti Pendidikan Sultan Idris（计算机与元技术学院（META），苏丹依德里斯教育大学）
本文提出并比较四种基于GPT-4o的流水线，用于生成马来语初一数学选择题，采用RAG方法显著提升课程对齐与事实准确性，并引入RAG-QA评估技术。
2025-08-06 cs.AI cs.CL
Beyond Vector Similarity: Hierarchical Context-Aware Graph RAG vs Standard RAG in Enterprise Code Migration
Google Cloud（谷歌云）
针对企业代码迁移中标准RAG无法捕获拓扑关系导致编译失败的问题，提出分层上下文驻留图（HCRG）方法，利用AST、属性图和上下文缓存实现父级优先翻译，显著降低API幻觉率并提升依赖解析质量，为代码库现代化提供更优路径。
2026-09-14 cs.AI
EasyRAG: Efficient Retrieval-Augmented Generation Framework for Automated Network Operations
School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院）
本文提出EasyRAG框架，通过双路稀疏检索与LLM重排实现精准问答，具备无需微调、低显存易部署及高效推理加速等优势，在GLM4赛事中取得优异成绩。
2024-10-15 cs.AI cs.CL
Can LLMs Be Trusted for Evaluating RAG Systems? A Survey of Methods and Datasets
Department of Computer Science University of Innsbruck（计算机科学系因斯布鲁克大学）
本综述系统回顾63篇文献，探讨利用LLM自动化评估RAG各组件（数据集、检索器、索引、生成器）的可行性，强调领域数据集构建，并讨论自动化与人工评估的平衡，以提升评估严谨性。
2025-05-01 cs.AI cs.IR
RAG-Verus: Repository-Level Program Verification with LLMs using Retrieval Augmented Generation
University of Toronto（多伦多大学）
针对现有函数中心方法忽略的跨模块依赖与全局上下文挑战，提出RagVerus框架，结合检索增强生成与上下文感知提示实现多模块仓库自动证明合成，在新RepoVBench基准获27%相对提升，受限预算下将现有基准证明通过率提高三倍。
2025-02-07 cs.AI cs.SE
Prescriptive Agents based on RAG for Automated Maintenance (PARAM)
本文提出PARAM系统，将轴承振动频率数据序列化为自然语言并结合多智能体RAG检索维护知识，由Gemini生成结构化维护建议，实现从异常检测到可操作维护决策的智能支持。
2025-08-20 cs.AI cs.CL cs.LG
Toward General Instruction-Following Alignment for Retrieval-Augmented Generation
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；School of Artificial Intelligence, Beijing University of Posts and Telecommunications（北京邮电大学人工智能学院）
针对检索增强生成（RAG）系统中指令遵循对齐评估与改进的研究空白，提出了自动化、可验证的合成流水线VIF-RAG及高质量数据集，并构建了FollowRAG基准，显著提升了大型语言模型在RAG场景下的指令遵循能力。
2024-10-12 cs.AI cs.CL cs.IR
Towards Query-Agnostic RAG Evaluation via Query Coverage and Claim Verifiability
本文提出Q-CARE框架，通过分解查询与答案实现RAG的细粒度评估，在8个数据集的基准测试中，其评估结果与人工判断的相关性优于现有4种RAG评估指标。
2026-09-01 cs.AI
LLM-Assisted Proactive Threat Intelligence for Automated Reasoning
Arizona State University（亚利桑那州立大学）；National Renewable Energy Laboratory（国家可再生能源实验室）
本研究提出结合GPT-4o与RAG技术，利用Patrowl框架实时检索CVE等威胁情报并在Milvus中存储向量，显著提升了系统对新披露漏洞和高危CVE的检测响应能力。
2025-04-01 cs.AI cs.CR
AI Act Evaluation Benchmark: An Open, Transparent, and Reproducible Evaluation Dataset for NLP and RAG Systems
本文提出了一种开放透明的数据集，用于评估NLP和RAG系统在欧盟AI法案下的合规性，通过生成风险等级分类等任务提升评估效率。
2026-03-10 cs.AI
RAG-based Explainable Prediction of Road Users Behaviors for Automated Driving using Knowledge Graphs and Large Language Models
University of Alcalá（阿尔卡拉大学）
本文提出一种结合知识图谱推理、贝叶斯推理与大型语言模型表达能力的RAG可解释预测系统，用于自动驾驶中行人过街和车道变更行为预测，并在提前预测时间和F1-score上超越现有最优方法。
2024-05-01 cs.AI cs.CL cs.IR
Adopting RAG for LLM-Aided Future Vehicle Design
Technical University of Munich（慕尼黑工业大学）
本文探索将 LLM 与 RAG 结合以提升汽车行业的自动化设计与软件开发，通过构建合规聊天机器人和设计副驾驶并评估四个模型，发现 GPT-4 表现最优，而 LLAMA3 和 Mistral 适合本地部署以解决数据隐私问题。
2024-11-14 cs.AI cs.SE
Automating Multi-Hop RAG Evaluation via TRIAD: From Context Extraction to Validated Dataset Generation
University of Innsbruck（因斯布鲁克大学）
本文提出TRIAD三阶段自动化多跳RAG评估数据集生成方法，经与MuSiQue、HotpotQA对比验证，该生成数据集可有效评估特定领域RAG系统性能，相关代码与验证结果已公开。
2026-08-25 cs.AI cs.CL
RAG-X: Systematic Diagnosis of Retrieval-Augmented Generation for Medical Question Answering
Oakland University（奥克兰大学）
RAG-X通过系统性诊断框架，评估检索和生成过程，揭示问答系统中的隐藏失败模式，提升医疗问答的准确性和可靠性。
2026-03-03 cs.AI cs.CL
OntoRAG: Enhancing Question-Answering through Automated Ontology Derivation from Unstructured Knowledge Bases
ABB Ability Innovation Center（ABB能力创新中心）
本文提出OntoRAG自动化流程，从非结构化知识库中派生本体，通过结合LLM与图方法增强问答系统的全面性和多样性，并在电气继电器文档上优于传统RAG和GraphRAG。
2025-05-31 cs.AI cs.LG
Enhancing Scientific Reproducibility Through Automated BioCompute Object Creation Using Retrieval-Augmented Generation from Publications
GW School of Medicine and Health Sciences（乔治·华盛顿大学医学与健康科学学院）；The George Washington University（乔治·华盛顿大学）
本文提出一种基于检索增强生成和大型语言模型的BCO助手工具，通过两遍检索与重排序从论文和代码库中自动提取信息生成BCO文档，解决LLM幻觉等问题，显著降低生物信息学研究合规文档创建的时间与精力，提升科学可重复性。
2024-09-23 cs.AI cs.CL q-bio.OT
A System for Comprehensive Assessment of RAG Frameworks
R&D Department, Eustema S.p.A.（欧斯特玛股份有限公司研发部门）
本文提出SCARF，一个模块化、黑盒、端到端的RAG框架综合评估系统，支持多种部署配置并生成详细性能报告，用于真实场景下RAG应用的系统化基准测试与比较。
2025-04-10 cs.AI cs.CL cs.LG
Beyond-RAG: Question Identification and Answer Generation in Real-Time Conversations
Arizona State University（亚利桑那州立大学）；Minerva CQ
针对RAG在实时对话中的局限，提出Beyond-RAG决策支持系统，可实时识别客户问题并匹配FAQ或用RAG生成答案，部署后提升效率、缩短AHT，还能自动化识别历史FAQ。
2026-09-03 cs.AI cs.CL
Benchmarking LLM Faithfulness in RAG with Evolving Leaderboards
University of Waterloo（滑铁卢大学）；Vectara（Vectara公司）；Iowa State University（爱荷华州立大学）；Stanford University（斯坦福大学）
本文提出FaithJudge框架，利用人工标注幻觉示例改进RAG中LLM幻觉的自动评估，并构建增强型排行榜，在摘要、问答和数据到文本任务上更可靠地基准测试LLM忠实度。
2025-11-06 cs.AI cs.CL
PennySynth: RAG-Driven Data Synthesis for Automated Quantum Code Generation
eBRAIN Lab, Division of Engineering, New York University Abu Dhabi (NYUAD)（eBRAIN实验室，工程系，纽约大学阿布扎比分校）；Center for Quantum and Topological Systems (CQTS), NYUAD Research Institute（量子与拓扑系统中心（CQTS），NYUAD研究所）；Department of Computer Science and Engineering, NYU Tandon School of Engineering（计算机科学与工程系，纽约大学坦顿工程学院）
提出PennySynth框架，通过检索增强生成和代码感知嵌入，利用13,389个PennyLane指令-代码对数据集，在QHack竞赛中实现52%-68%的pass@5，显著提升量子代码生成的结构有效性和功能正确性。
2026-07-24 cs.AI cs.CL
Assessing the Performance of Human-Capable LLMs -- Are LLMs Coming for Your Job?
Luxembourg Tech School A.s.b.l.（卢森堡技术学校A.s.b.l.）
本文提出并验证了SelfScore基准，用于评估自动化LLM智能体在帮助台任务中的表现，发现结合RAG的LLM智能体优于未结合者且均超过人类对照组，引发对人类工作被取代的伦理关注。
2024-10-05 cs.AI cs.CL cs.CY
The Hidden Threat in Plain Text: Attacking RAG Data Loaders
University of Padua（帕多瓦大学）
本文揭示了 RAG 数据加载阶段的安全漏洞，提出 9 类投毒攻击分类法及内容混淆与注入两种新型威胁向量，并通过自动化工具在多种数据加载器和端到端 RAG 系统上验证了高成功率攻击，呼吁加强文档摄取安全。
2025-07-07 cs.AI cs.CR
Towards the Development of an LLM-Based Methodology for Automated Security Profiling in Compliance with Ukrainian Cybersecurity Regulations
National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”（乌克兰国立技术大学“伊戈尔·西科尔斯基基辅理工学院”）
本文探讨将国际最佳实践整合到国家监管体系中，提出利用大语言模型实现自动化安全配置的方法，以应对高密度混合威胁环境下的网络安全挑战。
2026-04-07 cs.AI cs.CR
Automated Conversion of Static to Dynamic Scheduler via Natural Language
School of Computing and Information Systems, Singapore Management University（新加坡管理大学计算与信息系统学院）
针对静态调度模型需专家修改且难应对环境扰动的问题，提出基于 RAG 的 RAGDyS，利用 LLM 依据自然语言约束自动生成动态调度代码。
2024-05-08 cs.AI cs.CL
NeuSym-RAG: Hybrid Neural Symbolic Retrieval with Multiview Structuring for PDF Question Answering
MoE Key Lab of Artificial Intelligence（摩尔电子关键实验室）；X-LANCE Lab, School of Computer Science, Shanghai Jiao Tong University（X-LANCE实验室，计算机科学学院，上海交通大学）；Jiangsu Key Lab of Language Computing（江苏语言计算重点实验室）；AISpeech Co., Ltd.（AISpeech公司）；Suzhou Laboratory（苏州实验室）
提出NeuSym-RAG混合神经符号检索框架，通过多视图分块和模式解析将PDF内容组织进关系数据库与向量库，支持LLM代理迭代收集上下文生成答案，在多个PDF问答数据集上稳定击败基线。
2025-05-31 cs.AI cs.CL
Retina-RAG: Retrieval-Augmented Vision-Language Modeling for Joint Retinal Diagnosis and Clinical Report Generation
Friedrich-Alexander-Universität（弗里德里希-亚历山大大学）
Retina-RAG通过整合高精度视网膜分类器和参数高效视觉语言模型，实现糖尿病视网膜病变分级、黄斑水肿检测及报告生成，优于现有方法，且在单块消费级GPU上运行。
2026-05-08 cs.AI cs.CV
RAGdb: A Zero-Dependency, Embeddable Architecture for Multimodal Retrieval-Augmented Generation on the Edge
SKAS IT
RAGdb通过单文件SQLite容器实现多模态检索增强生成，无需GPU推理，提升边缘计算效率与数据主权
2025-12-09 cs.AI cs.IR
Augmenting Large Language Models with Static Code Analysis for Automated Code Quality Improvements
Faculty of Engineering（工程学院）；Applied Science Ontario Tech University（应用科学奥瑞冈科技大学）
本研究将大语言模型与静态代码分析、检索增强生成结合，配套定制代码比对工具缓解幻觉问题，实现自动化代码问题检测与修订，有效提升代码质量、简化开发流程并降低资源消耗。
2025-06-12 cs.AI cs.SE
An Automated Retrieval-Augmented Generation LLaMA-4 109B-based System for Evaluating Radiotherapy Treatment Plans
Mayo Clinic Arizona（梅奥诊所亚利桑那分校）
本文提出基于 LLaMA-4 109B 的 RAG 放疗计划评估系统，融合检索、百分位预测与约束检查模块，在614份计划上实现端到端100%一致。
2025-09-29 cs.AI
Revisiting Vul-RAG: Reproducibility and Replicability of RAG-based Vulnerability Detection with Open-Weight Models
Institute for Secure Networked Systems, Esslingen University（安全网络系统研究所，埃斯林根大学）；Institute for Intelligent Systems, Esslingen University（智能系统研究所，埃斯林根大学）
本研究通过本地部署和多种开放权重模型，复现并扩展了Vul-RAG框架，发现其性能存在约0.30成对准确率的上限，且模型能力提升无法显著改善性能。
2026-06-03 cs.AI cs.SE
The RAT: A Unified Bayesian Model for RAG Evaluation
Centre for Artificial Intelligence（人工智能中心）；ZHAW School of Engineering（苏黎世应用科技大学工程学院）
针对RAG系统评估的不足，提出RAT统一贝叶斯框架，联合建模多维度指标，通过27种配置验证其能揭示系统差异，还分析了注释分配并扩展模型以结合人工与自动评估。
2026-08-26 cs.AI cs.CL
LLM as HPC Expert: Extending RAG Architecture for HPC Data
University of New South Wales（新南威尔士大学）；NVIDIA（英伟达）
本文提出 HyCE 方法，通过集成实时用户特定 HPC 数据扩展 RAG 架构，增强 LLM 作为 HPC 专家的可访问性，并解决安全与评估问题。
2024-12-09 cs.AI cs.DC
Rethinking Evaluation for LLM Hallucination Detection: A Desiderata, A New RAG-based Benchmark, New Insights
Amazon（亚马逊公司）；Carnegie Mellon University（卡内基梅隆大学）
本文提出了一种基于RAG的新型基准T RIVIA+，填补了现有基准在长上下文和噪声标签方面的空白，并通过实验揭示了当前检测器在RAG基准上的改进空间。
2026-05-11 cs.AI
AutoSec-RAN: Specification-Grounded LLM Fine-Tuning for Automated Security Analysis of O-RAN
Mississippi State University（密西西比州立大学）
AutoSec-RAN是基于规范的LLM框架，通过两阶段LoRA微调Mistral-7B-Instruct并结合RAG，在5G/O-RAN测试床的313项评估中获平均总分0.713，为O-RAN自动化安全分析提供可行方案。
2026-10-14 cs.AI cs.CR eess.SP
An automatic patent literature retrieval system based on LLM-RAG
Belarusian State University（白俄罗斯国立大学）；Uber Technologies, Inc.（优步技术公司）；Stanford University（斯坦福大学）
针对传统专利检索方法的局限性，本研究提出基于LLM-RAG的自动专利检索框架，通过标准化预处理、LLM嵌入向量检索及RAG增强查询模块，在Google Patents数据集上实现80.5%准确率和92.1%召回率，较基线提升28个百分点，为智能专利检索提供有效方案。
2025-08-11 cs.AI cs.IR
Structure Over Scale: Schema-Constrained Causal Graphs for RAG
Boston Consulting Group（波士顿咨询集团）
研究针对GraphRAG问题，提出HCG-RAG，用模式约束因果图取代开放式提取，构建紧凑两层图。该方法成本低，答案质量优，在医学等基准测试中表现出色，对比实验显示因果图作为检索过滤器有优势，表明图内容比节点数量更重要。
2026-07-28 cs.AI cs.CL cs.IR
LLM Readiness Harness: Evaluation, Observability, and CI Gates for LLM/RAG Applications
Lumytics
本文提出了一种LLM和RAG应用的准备性框架，通过自动化基准测试、OpenTelemetry可观测性和持续集成质量门禁，将评估转化为部署决策流程，并通过帕累托前沿计算场景加权的准备度分数，展示了在票务路由工作流和BEIR接地任务上的评估结果。
2026-05-21 cs.AI cs.CL cs.SE
Automatic Building Code Review: A Case Study
Pacific Northwest National Laboratory（太平洋西北国家实验室）；University of Wyoming（怀俄明大学）
针对人工建筑规范审查效率低、成本高的问题，提出融合BIM数据提取与RAG、MCP智能体流水线的自动化审查框架，经测试验证其可靠性与可落地性，推动ACR研究发展。
2025-10-03 cs.AI cs.SE
Brick-DICL: Dynamic In-Context Learning for Automated Brick Schema Classification
Amazon AWS Generative AI Innovation Center（亚马逊AWS生成式AI创新中心）
提出Brick-DICL两阶段动态上下文学习框架，通过元数据检索和类别检索增强大语言模型领域知识，结合多模型过滤机制，实现楼宇管理系统点位的自动化Brick分类，显著提升准确率并减少人工验证。
2026-06-17 cs.AI
Evidence-backed Fact Checking using RAG and Few-Shot In-Context Learning with LLMs
IIT Kharagpur（印度理工学院克勒格布尔分校）；Aditya English Medium School（阿迪蒂亚英语中学）；UCLA（加利福尼亚大学洛杉矶分校）；Stanford University（斯坦福大学）；University of South Carolina（南卡罗来纳大学）；Amazon GenAI（亚马逊生成式AI部门）
针对社交媒体错误信息泛滥、人工核查困难的问题，提出结合RAG流水线与LLM少样本上下文学习的自动化事实核查系统，可输出真实性判断及支撑证据，在Averitec数据集上较基线得分提升22%。
2024-10-04 cs.AI cs.CL
Automated Summarization of Financial News Using Large Language Models and Retrieval-Augmented Generation: An Early Empirical Study (Fall 2023)
George Washington University（乔治·华盛顿大学）
该2023年秋的研究构建了结合LLM与RAG的财经新闻摘要流程，测试多种模型与方法，发现Summarize Chains的Falcon-7B表现最优，RAG存在缺陷，且相关失效模式至今仍具参考价值。
2026-08-21 cs.AI cs.CL cs.IR
Intent2Tc: Automated Intent-to-Traffic Control Translation with Language Models
University of Ottawa（渥太华大学）；University of Bologna（博洛尼亚大学）
Intent2Tc利用语言模型和数字孪生、RAG等技术，将业务级流量整形意图自动翻译为可执行的Linux tc配置，在RFC 9315意图上实现高语义保真度与配置准确性。
2026-09-28 cs.AI cs.CL cs.NI
An Empirical Evaluation of LLM-Based Approaches for Code Vulnerability Detection: RAG, SFT, and Dual-Agent Systems
Department of Electrical, Computer, and Software Engineering（电气、计算机与软件工程系）；Ontario Tech University（安大略技术大学）
本文通过实证评估，比较了RAG、SFT和双智能体系统在代码漏洞检测中的有效性，发现RAG在准确率和F1分数上表现最佳，SFT和双智能体系统也展示了良好的性能，证明了领域专业知识对LLM在实际漏洞检测中的重要性。
2026-01-01 cs.AI cs.SE
Rethinking and Exploring String-Based Malware Family Classification in the Era of LLMs and RAG
University of Oregon（俄勒冈大学）；City University of Hong Kong（香港城市大学）；Sun Yat-sen University（中山大学）；Calvin University（加州学院）
本文探索在大语言模型与RAG时代利用传统二进制字符串特征（家族特定字符串）进行恶意软件家族分类，通过覆盖67个家族、4,347个样本的评估框架和消融研究，验证了该方法的可行性并量化了各模块的改进效果。
2025-10-26 cs.AI cs.CR cs.SE
From Code Generation to Software Testing: AI Copilot with Context-Based RAG
Nanyang Technological University（南洋理工大学）；City University of Hong Kong（香港城市大学）
本文将缺陷检测与低缺陷编码统一为有限资源下的减错问题，提出基于上下文 RAG 的自动化测试系统 Copilot for Testing，使缺陷检测与代码库更新同步，并在准确率、覆盖率和用户接受率上取得显著提升。
2025-04-05 cs.AI cs.PL cs.SE
Retrieval-Augmented Generation in Industry: An Interview Study on Use Cases, Requirements, Challenges, and Evaluation
University of Innsbruck（因斯布鲁克大学）；CASABLANCA hotelsoftware（CASABLANCA酒店软件公司）
本研究通过对13名行业从业者开展半结构化访谈，调研工业场景下RAG的落地现状，梳理其用例、需求、挑战与评估方法的实际特征。
2025-08-11 cs.AI cs.IR
SteLLA: A Structured Grading System Using LLMs with RAG
Department of Computer Science Fitchburg State University（弗itchburg州立大学计算机科学系）；Department of Computer Science University of Massachusetts Boston（马萨诸塞大学波士顿分校计算机科学系）；Chantilly High School（chantilly高中）
本研究提出SteLLA系统，结合RAG与结构化问答评估，实现自动简答题评分，在真实生物学考试数据上与人工评分高度一致，并提供细粒度反馈。
2025-01-15 cs.AI cs.CL cs.CY
Taxonomic Reasoning for Rare Arthropods: Combining Dense Image Captioning and RAG for Interpretable Classification
University of Guelph（圭尔夫大学）；Vector Institute for AI（矢量人工智能研究所）；Centre for Biodiversity Genomics（生物多样性基因组学中心）
本文提出融合密集图像描述、RAG 与 LLM 的可解释节肢动物分类流程，利用外部分类学文本提升稀有类群识别准确性并降低过度自信。
2025-03-13 cs.AI cs.CV cs.IR
TrafficRAG: A Multimodal RAG Framework for Traffic Accident Liability Determination
Southwest Petroleum University（西南石油大学）；Sichuan Police College（四川警察学院）
提出TrafficRAG框架，通过视觉语言模型生成结构化描述、混合检索获取法规和案例、大语言模型融合多模态证据进行推理，实现自动化交通事故责任分析报告生成。
2026-06-01 cs.AI
Exploring Structural Complexity in Normative RAG with Graph-based approaches: A case study on the ETSI Standards
Department of Electrical, Computer and Biomedical Engineering, University of Pavia（帕维亚大学电气、计算机与生物医学工程系）；Comitato Elettrotecnico Italiano (CEI)（意大利电工委员会（CEI））
本文探讨了基于图的方法在处理规范性文档中的有效性，通过ETSI标准案例研究，提出了一种专为规范性文档设计的RAG方法，以提升检索性能。
2026-01-31 cs.AI cs.CL cs.IR
A Graph-Based Approach for Mapping Kernel-Level Telemetry to MITRE ATT&CK
University of Calabria（卡拉布里亚大学）
提出Trace2ATT&CK方法，利用eBPF收集内核事件构建溯源图，结合LLM与RAG映射到MITRE ATT&CK，在347个测试上验证了图表示和RAG的优越性，实现不泄露数据的自动化映射。
2026-11-10 cs.AI cs.CR
GenAI-powered Multi-Agent Paradigm for Smart Urban Mobility: Opportunities and Challenges for Integrating Large Language Models (LLMs) and Retrieval-Augmented Generation (RAG) with Intelligent Transportation Systems
Oak Ridge National Laboratory（橡树岭国家实验室）；University of Washington（华盛顿大学）；Texas A&M University（德克萨斯农工大学）
本文提出将大语言模型与检索增强生成集成到智能交通系统中，构建对话式多智能体框架，以克服传统规则系统的局限，实现交通拥堵、事故和碳排放的科学化治理与自动化管理。
2024-09-04 cs.AI cs.SE
LSPRAG: LSP-Guided RAG for Language-Agnostic Real-Time Unit Test Generation
Tsinghua University（清华大学）；East China Normal University（华东师范大学）；Tencent（腾讯）
LSPRAG通过利用语言服务器协议实现实时语言无关单元测试生成，显著提高了测试覆盖率。
2026-03-02 cs.AI cs.SE
