文章核心總結與創新點主要內容文章對2021年5月至2025年8月期間發表的115篇相關文獻進行系統綜述，聚焦大語言模型（LLMs）在單元測試生成領域的應用。首先分析了傳統自動化測試生成方法（如搜索式軟件測試、符號執行）的局限性——缺乏語義理解能力，難以生成符合特定領域格式的輸入和有效的斷言；隨后闡述了LLMs憑借大規模代碼和自然語言預訓練所具備的語義理解優勢，能夠彌補傳統方法的“語義鴻溝”。文章構建了基于單元測試生成生命周期的統一分類框架，圍繞模型應用核心策略（提示工程、微調、預訓練）、增強技術（生成前上下文富集、生成后質量保障、系統級協同）展開深入分析，最后指出當前領域面臨的核心挑戰，并提出未來研究路線圖。創新點提出統一分類框架：將LLMs視為需要系統工程約束的隨機生成器，構建涵蓋“模型準備-提示驅動生成-生成前富集-生成后質量保障-系統級協同”的全生命周期分析框架。揭示核心技術格局：明確提示工程（占89%的研究）是主流應用策略，迭代驗證與修復循環是提升測試可編譯性和執行通過率的關鍵機制。系統梳理增強技術體系：整合靜態/動態程序分析、傳統測試技術協同等軟件工程方法，形成完善的LLM測試生成增強方案。精準定位關鍵挑戰與方向：指出故障檢測能力弱、缺乏標準化評估基準等核心問題，提出向自主測試代理、LLMs與傳統工具混合系統演進的未來路線。翻譯部分（Markdown格式）