开源开放创新服务平台 - 项目整体开源工具清单

责任课题	工具名称	课题间衔接情况	工具描述	(预计) 开源时间
课题1	xxx		xxx	xxx
课题1	xxx		xxx	xxx
课题2	xxx		xxx	xxx
课题2	xxx		xxx	xxx
课题3	需求分析生成Agent（需求环节）		RequirementAgent是一个基于大语言模型智能体的需求分析生成系统，其基于用户交流分析代码开发需求，并结合已有项目代码以及架构（若存在），自上到下分析项目架构，接口模块功能，函数实现需求等内容，并输出项目规格说明文档以及详细设计文档，支撑后续软件开发。	2026.9
	开源API智能代码生成Agent（开发环节）		针对开源社区API调用序列匹配精度不足，代码生成效率低等问题，设计一款面向特定开源API库的智能代码生成工具，根据开发者的任务需求，自动推荐适配的目标API，生成可编译率高的合规代码。	2026.9
	代码检索系统（开发环节）		针对开源社区中软件开发时难以参考并重用现有代码实现的问题，设计一种能够通过自然语言精确查询符合需求的代码片段的代码检索系统。	2025.10
	测试用例生成Agent（测试环节）		TestAgent 是一个由大语言模型驱动的智能化自动测试用例生成系统。它能够分析代码仓库结构，自动生成相应的单元测试用例，并与开源平台深度集成，可通过在 Issue 中发表评论直接触发整个自动化流程。	2025.10
	测试用例更新Agent（测试环节）		针对开源社区中软件版本迭代后更新代码不能被现有测试用例覆盖的问题，设计一种能够针对更新部分代码自动生成测试用例的测试用例生成工具。	2026.9
	测试用例修复Agent（测试环节）		针对开源社区中软件版本迭代后部分既有测试用例无法顺利执行的问题，设计一种能够根据软件版本控制信息自动修复失效测试用例的测试用例修复工具。	2026.4
	深度学习框架测试系统（测试环节）		针对现有深度学习框架测试方法因谕言构造困难以及测试输入缺乏真实性与充分性，导致大量非崩溃类与组合触发的缺陷被遗漏的问题，设计一种基于框架中的等价关系实现结果判定、结合组合覆盖生成高质量测试输入的自动化测试系统，帮助保障深度学习框架质量。	2025.11
	Bug复现测试生成Agent（测试环节）		BugReproduceAgent基于大语言模型智能体构建，给定一个提出明确bug的issue等报告文档，该Agent能够自主分析代码仓库，寻找与该issue相关联的部分，并挖掘bug的root cause，最终生成一个能够稳定复现该bug的测试用例。	2026.2
	代码缺陷对比学习分析与检索系统（调试环节）		针对开源社区中软件开发中缺陷定位依赖人工经验、历史缺陷难以利用的问题，设计一种能够对比分析并检索相似缺陷的系统，辅助开发者实现更高效的缺陷定位与问题理解。	2025.11
	缺陷修复引入提交识别系统（调试环节）		在开源社区开发中，一些代码更改可能会在不经意间将bug引入代码库。设计一种缺陷引入提交自动识别技术，从代码库的历史提交中定位引入特定缺陷的提交，其可以用于确定受bug影响的软件版本，为用户提供其所使用版本是否存在缺陷的判断依据，等等。	2026.9
	缺陷多修复补丁自动化定位平台（调试环节）		针对开源社区上游软件维护者往往以隐匿方式提交漏洞缺陷补丁，下游受影响软件方需要自行从上游仓库识别补丁这一问题，设计一种自动化漏洞补丁定位技术，从大量无关代码提交中识别出特定于某一缺陷记录的安全修复，帮助保障下游软件安全。	2026.6
	缺陷分配与开发者推荐平台（调试环节）		针对软件项目中缺陷分配过程依赖人工经验、开发者专业背景与历史贡献难以系统利用的问题，设计一种能够综合分析缺陷内容与开发者特征的智能推荐平台，实现缺陷任务的自动化分配与开发者匹配，提升缺陷管理的科学性与协同性。	2026.2
	缺陷修复Agent（测试环节）		SGAgent基于大语言模型智能体构建，对于给定存在bug的issue报告文档，其自主检索代码仓库文件，搜索bug相关文件内容，定位bug相关缺陷代码位置，提出修复建议，并基于该建议生成修复补丁。	2026.2
	项目文档自动生成平台（运维环节）		针对现有项目文档生成方法普遍忽视开发者实际需求、在真实开发场景中可用性不足的问题，设计并实现了一种面向开发者核心期望的项目文档生成工具。该工具基于与业内资深文档专家深度协作所提炼出的实际文档期望，提出一种高可用性的自动化文档生成技术，旨在提升文档的实用性与可理解性，降低项目运维阶段的文档编写负担。	2026.2
	跨版本开源API变更自动检测与适配Agent（运维环节）		针对软件发布后由于版本变更导致的API不兼容问题，设计一种基于开发场景自动感知的API变更检测与适配方法，帮助开发人员快速定位容易导致兼容性问题的过时API，并生成安全、可靠的替换方案。	2026.2
	二进制代码漏洞检测系统（运维环节）		针对在软件开发中部分无法获取源码的场景下难以进行漏洞检测的问题，设计一种能够直接提取二进制代码的相关特征并对二进制程序直接进行漏洞检测的系统。	2025.12
	面向多语言的CFG生成Agent（运维环节）		针对不同编程语言语法差异导致控制流解析困难，设计一款多语言代码CFG生成的智能Agent，能够适配C、Java、Python等主流编程语言，依托LLM的代码解析能力，自动识别代码中的分支、循环等逻辑结构，生成其CFG，并进行可视化显示	2025.10
课题5	面向鸿蒙应用的大模型驱动测试脚本交互式录制回放		LLMRR是一种创新的跨平台移动应用GUI测试脚本录制回放工具。该方法融合图像匹配、文本匹配与大模型语义匹配技术，突破传统“一对一”事件映射限制，实现测试脚本在不同平台间的“多对多”智能迁移。LLMRR能在录制阶段精准捕获操作信息，在回放阶段通过语义理解自动匹配控件，显著提升测试脚本的可迁移性与执行成功率，特别适用于鸿蒙等新兴国产移动生态的测试场景。	2025.12
	多模态信息融合的测试脚本语义理解		TestIntention是一种创新的GUI测试脚本意图理解工具。该方法通过构建操作序列模型，将测试脚本中的控件选择器与界面布局、响应事件及业务逻辑关联，利用图像理解与深度学习技术解析界面控件意图，并结合代码理解技术生成自然语言描述。该工具弥合了测试脚本与应用逻辑之间的语义鸿沟，帮助开发者高效理解和维护测试脚本。	2025.12
	视觉理解驱动的平台通用强化学习GUI测试生成		PIRLTest是一种创新的跨平台应用自动化测试工具，结合计算机视觉与强化学习技术，实现移动端与Web端的统一GUI测试。该方法通过提取界面控件与布局信息，将GUI页面嵌入为状态表示，融合宏观布局与微观控件特征，并引入基于好奇心驱动的探索策略，鼓励覆盖更多未访问页面。PIRLTest突破平台依赖性，实现高效、通用的跨平台应用测试。	2025.12
	基于视觉机械臂的非侵入式GUI测试生成执行		RoboTest是一种创新的非侵入式GUI测试框架，基于视觉识别与机械臂交互实现跨设备自动化测试。该工具通过自适应的屏幕与控件检测算法识别不同尺寸界面，并利用四自由度机械臂灵活执行人类式操作。结合邻近性导向（PoP-guided）探索策略，RoboTest显著提升测试效率，能在多设备间比较界面差异以发现兼容性缺陷，为嵌入式与多平台系统提供高效可靠的GUI测试方案。	2025.12
	基于事件知识图谱的场景驱动GUI测试生成		ScenTest是一种基于事件知识图谱（EKG）的场景化移动应用自动化测试工具。该方法结合GUI图像理解与领域知识建模，模拟人工测试思维，通过从众包测试报告中抽取事件与界面实体及其关系，构建场景级EKG。ScenTest在测试生成过程中综合考虑应用状态与测试上下文，实现面向特定业务场景的全自动化测试，弥合测试执行与业务逻辑间的鸿沟。	2025.12
	基于多大模型代理协作的场景驱动GUI测试生成		ScenGen是一种基于大语言模型（LLM）的场景化GUI测试框架，通过多智能体协作模拟人工测试过程。该框架包含观察、决策、执行、监督与记录五个智能体：感知界面语义、进行场景驱动决策、执行操作、验证场景完成度并记录知识。ScenGen利用LLM理解GUI语义与业务上下文，生成与业务逻辑高度相关的测试脚本，实现更完整、更智能的自动化场景测试。	2025.12
	图像语义驱动的众包测试报告半监督聚类		SemCluster是一种面向众包测试报告的半监督聚类工具，结合文本与截图的多模态语义特征实现高效聚类。该方法从测试报告中提取结构特征、内容特征、缺陷特征及复现步骤，并利用截图与文本间的语义关联构建语义绑定规则，引导聚类过程。SemCluster突破仅依赖文本或像素分析的局限，实现更精准的测试报告聚类与缺陷定位。	2025.12
	大模型驱动的众包测试报告聚类		LLMCluster是一种基于大语言模型（LLM）的众包测试报告聚类工具，旨在高效识别重复问题并生成可解释聚类结果。该方法采用迭代式聚类策略，引导LLM聚焦报告核心问题而忽略表层差异，将相似缺陷报告归入同一簇。随后通过校正算法提升聚类完整性，并利用LLM生成简洁的聚类摘要，使结果更直观、语义更准确，从而显著提升报告分析与缺陷定位效率。	2025.12
	深度图像理解驱动的众包测试报告排序		EncrePrior是一种基于图文语义理解的增强型众包测试报告优先级排序工具。该方法从宏观布局与微观控件两方面提取截图特征，并结合缺陷描述与复现步骤等文本语义信息，构建多维特征表示。在排序过程中，EncrePrior采用“排序–再排序”策略综合语义关联，而非简单加权融合，实现更精准、更合理的测试报告排序，帮助开发者高效识别关键缺陷。	2025.12
	大模型驱动的众包测试报告排序		LLMPrior是一种基于大语言模型（LLM）的众包测试报告优先级排序工具。该方法利用LLM理解测试报告文本语义，通过提示工程（Prompt Engineering）增强模型性能，并基于缺陷类型对报告进行聚类分析。随后采用递归选择算法确定报告的优先级顺序。LLMPrior结合语义理解与聚类排序策略，有效提升报告审查效率与可靠性，为开发者提供智能化的测试报告管理方案。	2025.12