文章主要内容和创新点主要内容本文提出了一种名为FuzzFeed的自动生成最弱前置条件（Weakest Precondition, WP）的方法，该方法结合大语言模型（LLMs）和模糊测试（fuzzing）技术，通过模糊测试引导（Fuzzing Guidance, FG）机制优化LLM生成的候选WP，最终提高WP的正确性和弱性（weakness）。核心背景：最弱前置条件是程序初始状态的最大集合，确保程序终止时满足后置条件，在程序验证、运行时错误检查等领域至关重要。传统方法依赖形式化方法，存在适用范围有限等问题。方法设计：FG包含两个模糊测试阶段——有效性模糊测试（validity-fuzzing）和弱性模糊测试（weakness-fuzzing）。前者验证候选WP的有效性（满足WP的初始状态是否一定满足后置条件），后者验证其弱性（是否覆盖所有满足后置条件的初始状态）；测试结果作为反馈，通过修复提示（repair prompts）引导LLM迭代优化WP。实验验证：在四类Java数组程序基准集（Existential、Universal、Sorting、Search）上测试，对比GPT-4o和O4-mini模型在有无FG的表现，结果显示FG能显著提升LLM生成WP的质量，甚至使低成本模型（如GPT-4o）性能接近高成本推理模型（如O4-mini）。创新点