原文链接：（更好排版、视频播放、社群交流、最新AI开源项目、AI工具分享都在这个公众号！）
最新开源！Cover Agent 自动生成代码！开源的Copilot！
? Cover Agent是一个更广泛的实用程序套件的 ** 一部分 ** ，旨在自动为软件项目 创建单元测试 。利用先进的
生成式 AI 模型，它旨在简化和加快测试过程，确保高质量的软件开发，系统包含多个组件。
Github：https://github.com/Codium-ai/cover-agent/ _ _
Hello，大家好啊，我是Aitrainee，今天想讨论一下Cover-Agent — 介绍人工智能工具如何通过自动生成 高质量的单元测试
来改变你的开发工作流程。无论你是开发人员还是研究人员，Cover-Agent 都旨在简化你的编码流程并有效提高代码覆盖率。
这是个一两天前开源的新项目，我们知道现在Vscode、Pycharm这些IDE都有使用生成性AI工具比如ChatGPT、Claude自动生成代码的插件，这些插件有一个功能是增加代码覆盖率的测试。
然而，在实践中，生成的测试中只有很少一部分能符合要求。为了解决这个问题，Cover-Agent工具会不断生成和验证新的测试，直到达到设定的覆盖率目标。
尽管这个过程已经部分自动化，但仍需要改进，Cover-Agent团队希望该工具能更智能，自动为代码变更生成有价值的测试。
Cover Agent这个存储库包括了 Automated Unit Test Improvement using Large
Language Models at Meta 论文中描述的 TestGen-LLM 的首个已知实现。
▲ 在 Meta 上使用大型语言模型进行自动化单元测试改进
Cover-Agent 可以通过终端运行，计划集成到流行的 CI 平台中。
系统包含多个组件：
1. 测试运行器: 执行命令或脚本以运行测试套件并生成代码覆盖率报告。
2. 覆盖率解析器: 验证随着测试的增加，代码覆盖率是否增加，确保新测试对整体测试效果有所贡献。
3. 提示构建器: 从代码库中收集必要数据并构建传递给大型语言模型（LLM）的提示。
4. AI 调用器: 与 LLM 交互，根据提供的提示生成测试。
我发现他们官网【另一个项目：PR-Agent：一款由人工智能驱动的 ? 工具，用于自动进行 Pull
请求分析、反馈、建议等！??】做得是真炫啊，手动狗头.jpg（嘿嘿）
我们来看博主 WorldofAI 关于Cover-Agent的介绍视频
下面提供官方的 文档介绍、相关资源、部署教程 等，进一步支撑你的行动，以提升本文的帮助力。
 安装和使用
要求
开始之前，请确保您具备以下条件：
• 在环境变量中设置了OPENAI_API_KEY ，这是调用 OpenAI API 所必需的。
如果直接从存储库运行，您还需要：
• 系统中安装了 Python。
• 安装了 Poetry 以管理 Python 包依赖。Poetry 的安装说明请参见 https://python-poetry.org/docs/。
独立运行时
Cover Agent 可以作为 Python Pip 包安装，也可以作为独立可执行文件运行。
Python Pip
要通过 GitHub 直接安装 Python Pip 包，请运行以下命令：
pip install git+https://github.com/Codium-ai/cover-agent.git
二进制文件
无需在系统上安装任何 Python 环境（例如在不包含 Python 的 Docker 容器中）即可运行二进制文件。您可以通过导航到项目的 发布页面
下载适用于您系统的版本。
存储库设置
运行以下命令安装所有依赖项并从源代码运行项目：
poetry install
运行代码
下载可执行文件或安装 Pip 包后，您可以运行 Cover Agent 来生成和验证单元测试。从命令行执行以下命令：
cover-agent \
--source-file-path "<path_to_source_file>" \
--test-file-path "<path_to_test_file>" \
--code-coverage-report-path "<path_to_coverage_report>" \
--test-command "<test_command_to_run>" \
--test-command-dir "<directory_to_run_test_command>" \
--coverage-type "<type_of_coverage_report>" \
--desired-coverage <desired_coverage_between_0_and_100> \
--max-iterations <max_number_of_llm_iterations> \
--included-files "<optional_list_of_files_to_include>"
您可以使用此存储库中的示例项目来运行此代码作为测试。
按照位于 templated_tests/python_fastapi/ 目录中的 README.md
文件中的步骤操作，然后返回存储库根目录并运行以下命令，为 python fastapi 示例添加测试：
cover-agent \
--source-file-path "templated_tests/python_fastapi/app.py" \
--test-file-path "templated_tests/python_fastapi/test_app.py" \
--code-coverage-report-path "templated_tests/python_fastapi/coverage.xml" \
--test-command "pytest --cov=. --cov-report=xml --cov-report=term" \
--test-command-dir "templated_tests/python_fastapi" \
--coverage-type "cobertura" \
--desired-coverage 70 \
--max-iterations 10
对于 go 示例，请进入 templated_tests/go_webservice 目录，按照 README.md
设置项目。要使用覆盖率报告，您需要安装 gocov 和 gocov-xml 。运行以下命令安装这些工具：
go install github.com/axw/gocov/gocov@v1.1.0
go install github.com/AlekSi/gocov-xml@v1.1.0
然后运行以下命令：
cover-agent \
--source-file-path "app.go" \
--test-file-path "app_test.go" \
--code-coverage-report-path "coverage.xml" \
--test-command "go test -coverprofile=coverage.out && gocov convert coverage.out | gocov-xml > coverage.xml" \
--test-command-dir $(pwd) \
--coverage-type "cobertura" \
--desired-coverage 70 \
--max-iterations 1
尝试通过在此存储库的根目录运行以下命令，为此项目添加更多测试：
poetry run cover-agent \
--source-file-path "cover_agent/main.py" \
--test-file-path "tests/test_main.py" \
--code-coverage-report-path "coverage.xml" \
--test-command "poetry run pytest --junitxml=testLog.xml --cov=templated_tests --cov=cover_agent --cov-report=xml --cov-report=term --log-cli-level=INFO" \
--coverage-type "cobertura" \
--desired-coverage 70 \
--max-iterations 1 \
--model "gpt-4o"
注意：如果您使用的是 Poetry，则使用 poetry run cover-agent 命令，而不是 cover-agent 运行命令。
输出
一些调试文件将会在存储库本地输出（这些文件是 .gitignore 的一部分）
• generated_prompt.md ：发送到 LLM 的完整提示
• run.log ：转储到 stdout 的日志副本
• test_results.html ：包含以下内容的结果表：
• 测试状态
• 失败原因（如果适用）
• 退出代码
• stderr
• stdout
• 生成的测试
使用其他 LLM
该项目使用 LiteLLM 与 OpenAI 和其他托管的 LLM 通信（支持至今 100 多种 LLM）。要使用除 OpenAI
默认模型之外的其他模型，您需要：
1. 按照 LiteLLM 说明 导出支持的 LLM 所需的任何环境变量。
2. 在调用 Cover Agent 时使用 --model 选项调用模型名称。
例如（如 LiteLLM 快速入门指南 中所示）：
export
VERTEX_PROJECT="hardy-project"
export VERTEX_LOCATION="us-west"
cover-agent \
...
--model "vertex_ai/gemini-pro"
开发
本节讨论此项目的开发。
版本控制
在合并到 main 分支之前，请确保手动增加存储库根目录中 cover_agent/version.txt 中的版本号。
运行测试
如上所述，运行 poetry install 命令以设置您的开发环境。
注意：对于旧版本的 Poetry，您可能需要包含 --dev 选项以安装开发依赖项。
设置好环境后，运行以下命令：
poetry run pytest --junitxml=testLog.xml --cov=templated_tests --cov=cover_agent --cov-report=xml --cov-report=term --log-cli-level=INFO
这还将生成 .github/workflows/ci_pipeline.yml 中生成的所有日志和输出报告。
参考链接：
[1]https://github.com/Codium-ai/cover-agent/
[2]https://www.codium.ai/blog/we-created-the-first-open-source-implementation-
of-metas-testgen-llm/
知音难求，自我修炼亦艰
抓住前沿技术的机遇，与我们一起成为创新的超级个体
（把握AIGC时代的个人力量）
**
**
— 完 —
** 点这里?关注我，记得标星哦～ **
**
**
一键三连「分享」、「点赞」和「在看」
科技前沿进展日日相见 ~
预览时标签不可点
微信扫一扫
关注该公众号
轻触阅读原文
AI进修生
收藏