TCC_MBA_Eng_Software：测试驱动开发与大语言模型在软件工程中的融合应用研究

TCC_MBA_Eng_Software是VitorVA6在GitHub发布的MBA软件工程学位论文项目（2026-06-06），核心研究测试驱动开发（TDD）与大语言模型（LLM）的融合应用，探索AI辅助软件开发新范式。该研究连接学术前沿与工业实践，对软件工程教育和行业实践具有指导意义。

原项目链接：https://github.com/VitorVA6/TCC_MBA_Eng_Software

TDD实践与挑战

TDD是极限编程核心实践，遵循"红-绿-重构"循环：红色（写失败测试）→绿色（写最简代码通过）→重构（优化结构）。其价值包括设计驱动、快速反馈、安全网、文档作用、缺陷预防，但存在学习曲线、测试维护、初始速度慢、复杂场景测试难等挑战。

LLM应用与局限

LLM（如GPT-4、CodeLlama）在代码生成、补全、解释、测试生成等方面能力突出，优势有快速原型、降低重复工作、辅助学习，但存在代码错误、缺乏业务上下文、训练数据过时、幻觉问题等局限。

潜在融合方式

1. AI辅助测试生成：LLM根据功能描述生成测试用例加速红色阶段
2. 测试驱动代码生成：以测试用例为输入生成通过代码
3. 重构辅助：LLM建议改进方案、识别代码异味
4. 测试补全：为遗留代码生成缺失测试

研究问题

需探索生成测试质量、代码与测试匹配度、开发效率变化、代码质量、开发者接受度等核心问题。

项目体现MBA软件工程教育理论与实践结合，采用实证研究方法：对照实验（传统TDD vs AI辅助TDD）、案例研究（真实项目应用）、问卷调查（开发者看法）、代码分析（质量指标）。

知识贡献包括AI辅助开发最佳实践、TDD新模式、人机协作范式、软件工程教育更新建议。

工具趋势

GitHub Copilot、Amazon CodeWhisperer等AI原生工具已集成LLM，TDD与AI融合是该趋势的深化。

角色演变

开发者角色将转向代码审查者、架构师，更多时间用于需求理解与设计，人机协作成为核心技能。

质量挑战

AI生成代码需强化测试、更新审查策略、演进安全扫描工具。

1. 渐进式采用：从简单工具函数测试生成开始，逐步扩展到复杂场景
2. 批判性思维：审查AI生成的测试与代码，验证行为、覆盖边界、符合规范
3. 反馈循环：记录开发速度、缺陷率、审查反馈、满意度，数据驱动优化策略。

未来展望

• 智能开发环境：IDE深度集成AI，自动识别测试路径、实时建议测试
• 测试优先训练：专门训练生成符合测试的代码模型
• 协作式开发：开发者定义意图，AI生成候选实现，测试验证正确性

总结

TDD与LLM互补，AI增强传统工程实践（测试先行、快速反馈等原则仍适用）。项目为行业提供实践洞察，代表软件工程教育对技术变革的积极响应。