A Retrieval-Augemented approach to automated software test Generation

This thesis investigates how Large Language Models combined with Retrieval-Augmented Generation can support the creation of structured system-level test cases from domain-specific software artifacts such as requirements and historical test cases. The proposed multi-stage pipeline retrieves relevant features, generates high-level test scenarios, and produces detailed test cases aligned with organizational standards. The evaluation shows that the approach can improve consistency and perceived coverage while reducing manual effort, although human validation remains necessary to ensure correctness and completeness in industrial contexts.

Questa tesi analizza l’uso dei Large Language Models integrati con tecniche di Retrieval-Augmented Generation per supportare la generazione di casi di test a livello di sistema a partire da artefatti software specifici del dominio, come requisiti e casi di test storici. L’approccio proposto utilizza una pipeline multi-fase per identificare le funzionalità rilevanti, generare scenari di test e produrre casi di test dettagliati conformi agli standard organizzativi. La valutazione mostra che il sistema può migliorare la coerenza e la copertura percepita dei casi di test, riducendo lo sforzo manuale necessario, pur mantenendo essenziale la validazione umana per garantire correttezza e completezza in contesti industriali.