2026 年 10 月 23 日，NTT 公布了一套把既有软件资产改造成“AI 可读”状态的技术：先用追踪分析把规格、设计文档、代码与测试串起来，自动发现并修正不一致；再用覆盖缺口驱动的测试生成补足缺失场景。初步实验中，设计文档里预埋的 41 个错误，传统 RAG 方法检出 11 个（27%），新方法检出 33 个（80%）。本文从软件工程实践与遗留系统现代化的角度解读。
问题：文档、代码与测试对不上
NTT 引用的一项判断是，约 60% 的软件开发工作涉及对既有系统的增强、维护或重开发。长期演进的系统里，设计文档会与实际代码偏离；开发者要花大量时间判断“该改哪里、会不会影响别的功能”；生成式 AI 也很难准确理解系统结构与规格。测试不足或未自动化时，变更影响与质量说明同样依赖人工。这些痛点让遗留系统成为 AI 辅助开发最难落地的一块。
技术一：追踪分析
追踪分析以需求工程等 ISO 指南为基础，把开发产物自动结构化。难点在于不同文档的格式与信息量差异很大，简单切分会破坏功能单元；该方法评估每段文字与某个功能的相关强度，动态调整切分粒度，在保留语义的前提下把产物拆成功能单元。当规格、设计描述与代码描述同一功能时，信息量与表达方式不同会让映射失真；该方法以上游阶段的关键点重建下游信息，对齐颗粒度后再判定依赖关系，从而提高跨阶段遗漏与不一致的识别准确率。
技术二：覆盖缺口驱动的测试生成
既有系统积累了大量测试，但很难看清每个测试覆盖了哪些功能与条件、是否漏掉重要视角。该方法结合一致的规格、设计与代码，并按 ISO 质量特性建立“测试视角空间”，把已有测试映射进去，显影已覆盖区与不足区。它能具体指出异常条件、边界值、多条件组合、功能交互等常被正常路径掩盖的缺口，再用判定表等测试技术生成可自动执行的测试，在利用既有测试资产的同时覆盖变更影响。
实验数据
初步实验使用 Macchinetta 框架的示例应用 ATRS 的文档与代码。评估对象是设计文档中预埋的 41 个错误，包括与规格或代码矛盾、信息缺失。传统 RAG 检出 11 个，检出率 27%；新方法检出 33 个，检出率 80%，并发现 3 个此前未知的潜在缺陷。NTT 同时提到，既往软件评审研究报告的平均缺陷检出率为 68%，但评估对象与条件不同，不能直接比较。80% 这个数字的意义在于方法路径：它依赖结构化追踪关系做一致性检查，而不只是检索相关文档。
对软件工程实践的意义
这套方法把“理解旧系统、修改、验证”从三段人工工作变成一条可被 AI 参与的链路，指向的是遗留系统现代化与测试债务治理。它不替代工程师做决策：追踪关系是否正确、生成的测试是否有业务意义，仍需人来判断。NTT 表示将把技术应用到实际开发与维护项目，目标是支撑向 AI 原生开发的过渡。对企业的启示是，先把文档、代码与测试的关系显性化，再谈让 AI 接手，顺序不能反。
小结
NTT 于 2026 年 10 月 23 日公布追踪分析与自动化测试生成技术，以 41 个预埋错误中 80% 的检出率、3 个新发现缺陷与“先结构化再让 AI 参与”的方法论为看点，是软件工程实践中遗留系统现代化的一次务实探索。