Microsoft abre code-testing-generator: agente que alcanza 92.1% en pruebas

⏱ Tiempo de lectura: 4 min

Microsoft publicó en código abierto code-testing-generator, un agente poliglota para generar pruebas unitarias bajo licencia MIT en el repositorio dotnet/skills. La herramienta lee repositorios antes de escribir, detecta lenguaje de programación, framework de pruebas, convenciones existentes y comandos reales de compilación y ejecución, luego planifica, escribe, ejecuta y valida las pruebas generadas. En el benchmark interno de Microsoft con 152 tareas, completó 140 frente a 120 de GitHub Copilot con el mismo modelo base.

Rendimiento en pruebas y precisión del agente

Los resultados muestran una diferencia de 11 puntos porcentuales: 92.1% de tasa de completitud para code-testing-generator contra 78.9% para Copilot estándar. Según Microsoft, la mejora se concentra casi totalmente en solicitudes vagas y peticiones dirigidas a cambios específicos (diff-targeted requests). El agente poliglota maneja múltiples lenguajes de programación y frameworks de pruebas, adaptándose automáticamente a las convenciones del repositorio analizado. Esta categoría de herramientas representa un avance hacia automatización más precisa en desarrollo.

Detalles técnicos y disponibilidad

Code-testing-generator opera bajo licencia MIT, permitiendo uso comercial y modificación. Se distribuye a través del repositorio dotnet/skills de GitHub, accesible para desarrolladores que trabajan con ecosistemas .NET y otros lenguajes. El agente ejecuta un flujo completo: análisis previo del repositorio, generación de código de pruebas, ejecución automática contra la base de código y validación de resultados. El benchmark de 152 tareas utilizó el mismo modelo base de lenguaje para ambas herramientas, garantizando comparación directa. Fuente: www.marktechpost.com

Aspecto	Detalle
Nombre	code-testing-generator
Tipo	Agente poliglota para generar pruebas unitarias
Licencia	MIT (código abierto)
Distribución	Repositorio dotnet/skills en GitHub
Tasa de completitud	92.1% en benchmark interno de 152 tareas
Comparativa Copilot	78.9% con mismo modelo base (diferencia: 13.2 puntos)
Tareas completadas	140 de 152 vs. 120 de 152 para Copilot
Fortaleza principal	Solicitudes vagas y cambios dirigidos (diff-targeted)
Flujo de operación	Análisis, generación, ejecución, validación automáticas

Qué cambia con esta información

La publicación en código abierto bajo MIT permite que desarrolladores integren pruebas automatizadas más precisas en sus workflows. El rendimiento superior en casos ambiguos sugiere que el análisis previo del repositorio es clave para la precisión. Este tipo de herramientas acelera la cobertura de pruebas en desarrollo ágil, reduciendo carga manual. La disponibilidad en ecosistema .NET amplía el acceso a equipos de desarrolladores en esa plataforma.

Preguntas frecuentes sobre code-testing-generator

¿Cuál es la diferencia de rendimiento exacta con GitHub Copilot?

Code-testing-generator alcanzó 92.1% de tasa de completitud en el benchmark de Microsoft, mientras que GitHub Copilot logró 78.9% con el mismo modelo base. La diferencia de 13.2 puntos porcentuales se concentra principalmente en solicitudes imprecisas y peticiones de cambios específicos.

¿Dónde descargar y cómo instalar la herramienta?

Se distribuye a través del repositorio dotnet/skills en GitHub bajo licencia MIT. Desarrolladores pueden clonar el repositorio e integrar el agente en sus flujos de trabajo locales o en pipelines de desarrollo.

¿Qué lenguajes de programación soporta?

Es un agente poliglota, lo que significa que detecta y adapta automáticamente el lenguaje de programación y framework de pruebas del repositorio analizado. No se especifican en el texto fuente recibido los lenguajes exactos soportados actualmente.

Nuestra lectura editorial

El lanzamiento de code-testing-generator como herramienta abierta refleja la estrategia de Microsoft de fortalecer ecosistemas de desarrolladores. Un agente que lee primero antes de escribir resuelve un problema real: las pruebas automatizadas requieren comprensión del contexto local. Los resultados en casos vagos sugieren que los modelos de lenguaje todavía necesitan análisis contextual explícito para precisión.

En Inteligencia Artificial, esta publicación muestra que las mejoras en automatización a menudo vienen no de modelos más potentes, sino de arquitecturas que respeten el contexto existente. ¿Cuánto mejora el rendimiento cuando el modelo primero observa antes de actuar?

Fuente: www.marktechpost.com