Developing a Code Review Strategy Using LLMs and Acceptance Tests in Python

Abstract

In agile software development, the manual process of linking user stories to test coverage is slow and error-prone. This process creates significant bottlenecks, delays release cycles, and increases

the risk of software defects. To address this problem, we developed a tool that automatically gener- ates Pytest tests from user stories written in natural language. The tool leverages natural language

processing (NLP) to translate non-technical requirements into executable code. First, the tool ana- lyzes a user story to generate proposed acceptance criteria. A user then reviews and confirms these

criteria. Upon confirmation, the tool generates executable Python test functions to validate the ex- pected behavior. This automated framework reduces manual effort, enhances test consistency, and

enables faster, more reliable software development cycles. Our approach is particularly beneficial for agile teams that have limited dedicated testing experience, as it empowers them to maintain high standards of quality assurance. Dans le développement logiciel agile, relier les besoins des utilisateurs à une couverture de test adéquate est souvent long et sujet à des erreurs. Ce projet propose un outil intelligent qui génère automatiquement des tests Pytest à partir d’histoires utilisateur rédigées en langage naturel. Le système commence par générer des critères d’acceptation clairs à partir de l’histoire, que l’utilisateur peut modifier ou valider. Une fois ces critères confirmés, l’outil produit des fonctions de test en Python correspondant au comportement attendu. Grâce au traitement du langage naturel (NLP), cet outil facilite la transition entre les exigences fonctionnelles et les tests techniques. Il réduit l’effort manuel, améliore la qualité des tests et accélère le processus de développement, même pour les équipes ayant peu d’expérience en test logiciel.