Solution about develop unit test & new features about repoagent

[Umpire2018]

1. 解析 .project_doc_record/.project_hierarchy.json 获取到函数单元，根据此单元生成单元测试，此处可以在 json 中增加一个属性标识函数是否生成了测试。

2. 待实现 Demo 后，可以与 copilot 进行对比测试，如对比面对复杂场景下的测试率等。

3. Demo 期望时间为 2024/1/30

4. 优先级从优先到普通排序：1. 对无单元测试项目进行增加单元测试 2. 对有部分单元测试项目进行补充 3. 新功能开发 4. 完成适配大模型，长窗口等要点（若此项造成较大阻碍，可指派我进行协同）

[Umpire2018]

参照项目：

1. 自动优化某段代码：https://github.com/Codium-ai/pr-agent?tab=readme-ov-file#improve
2. 让语言模型在您的计算机上运行代码 https://github.com/KillianLucas/open-interpreter

[OctoberFox11]

参考：

AlphaCodium代码生成工作流程

1. 预处理环节：

   • 输入问题和测试情景
     • LLM接口语句分析+prompt
   • LLM进行问题分析和测试样例分析
     • prompting
   • 生成更多测试样例
     • prompting
   • 生成初步解决方案
     • code generation
   • 对解决方案进行打分和排序
     • code evaluation
       • 评价维度：prompting
         • simplicity
         • robustness
         • correctness

2. 答案生成环节：

   • 生成初步代码答案
     • code generation
   • 通过样例自迭代改进代码
     • evaluation
     • feedback
   • 通过AI测试样例进一步迭代
     • evaluation
     • feedback
   • 输出最终的代码答案
     • output

期望项目结构：

1. 工作流：

代码生成

1. 理解并分析修改要求：用户发起时使用chatbot交互收集修改要求，使得目标效果、使用方法、长度/复杂度限制等全部获知或默认

2. 生成测试用例：针对限制生成测试用例和检查

3. 生成初始解决方案：基于已有函数/解决方案采用伪代码输出简单解决方案

4. 评估解决方案并排序：对解决方案的可靠性、全面性、效率和要求满足度评估并排序

5. 单元测试

1. 限定待测部分并执行分解：对于划定的代码部分或整个程序进行以函数为单元的最小功能分拆（LLM prompting）

2. 分析期望并生成测试用例：提供期望并描述/分析该函数在正常情况下应有的行为，包括输入、输出和任何边界条件。并使用语言模型生成一系列测试用例。这些测试用例将包括不同的输入参数，考虑异常和边界情况，用于验证函数在各种情况下的行为是否符合预期。(LLM prompting)

3. 执行测试并返回修改建议：根据生成的测试用例编写实际的测试代码。这通常涉及使用测试框架（如JUnit、PyTest等）来实施和运行测试。(Loop)

4. 执行测试并返回修改建议：根据生成的测试用例编写实际的测试代码。这通常涉及使用测试框架（如JUnit、PyTest等）来实施和运行测试。

2.要点

1. 期望可适配各大模型基座，prompt不会过于敏感
2. 期望窗口足够长