De Ejecutable a Entregable: Desarrollo Dirigido por Pruebas Multiagente para la Generación de Aplicaciones Web de Pila Completa a partir de Requisitos

Resumen

Los agentes de codificación pueden generar aplicaciones web a partir de descripciones en lenguaje natural, sin embargo, un estudio de referencia reciente muestra que las aplicaciones generadas no cumplen con los requisitos funcionales en más del 70% de los casos. La dificultad central radica en que la corrección de una aplicación web no puede evaluarse a partir de archivos fuente o la salida del terminal: la aplicación debe desplegarse, ejercitarse mediante interacciones simuladas en un navegador, y los fallos deben traducirse en señales de reparación procesables, pasos que los agentes actuales no pueden realizar sin mediación humana. Presentamos TDDev, un marco de trabajo que automatiza este ciclo cerrado a través de tres etapas: (1) convertir requisitos de alto nivel en pruebas de aceptación estructuradas antes de escribir cualquier código, (2) desplegar la aplicación y validarla mediante simulación de interacciones basadas en el navegador, y (3) traducir los fallos observados en el navegador a informes de reparación estructurados para el agente de codificación. Gracias a TDDev, realizamos el primer estudio empírico controlado de estrategias de Desarrollo Guiado por Pruebas (TDD) para la generación de aplicaciones web, comparando cuatro protocolos de desarrollo en dos agentes de codificación, dos modelos base y dos referencias. La infraestructura TDD mejora consistentemente la calidad de la generación entre 34 y 48 puntos porcentuales con respecto a una línea base sin TDD. El hallazgo central es que el protocolo óptimo depende del estilo de generación del modelo: los modelos que construyen aplicaciones de manera holística se benefician más de la aplicación mediante agentes, mientras que los modelos que extienden el código de forma conservadora se benefician de la aplicación incremental. Un protocolo inadecuado para el estilo de generación elimina por completo el beneficio del TDD, al tiempo que multiplica el costo en tokens hasta 25 veces. Un estudio de usuario confirma que TDDev reduce la intervención manual del desarrollador a cero, desplazando la carga de trabajo de la ingeniería continua de instrucciones a un refinamiento autónomo basado en retroalimentación.

English

Coding agents can generate web applications from natural-language descriptions, yet a recent benchmark study shows that generated applications fail to meet functional requirements in over 70% of cases. The core difficulty is that web correctness cannot be assessed from source files or terminal output: the application must be deployed, exercised through simulated browser interactions, and failures must be translated into actionable repair signals -- steps that current agents cannot perform without human mediation. We present TDDev, a framework that automates this closed loop through three stages: (1) converting high-level requirements into structured acceptance tests before any code is written, (2) deploying the application and validating it through browser-based interaction simulation, and (3) translating browser-observed failures into structured repair reports for the coding agent. Enabled by TDDev, we conduct the first controlled empirical study of Test-driven development (TDD) strategies for web application generation, comparing four development protocols across two coding agents, two backbone models, and two benchmarks. TDD infrastructure consistently improves generation quality by 34--48 percentage points over a no-TDD baseline. The central finding is that the optimal protocol depends on the model's generation style: models that build applications holistically benefit most from agentic enforcement, while models that extend code conservatively benefit from incremental enforcement. Mismatching protocol to generation style eliminates the TDD benefit entirely while multiplying token cost up to 25-fold. A user study confirms that TDDev reduces manual developer intervention to zero, shifting the workload from continuous prompt engineering to autonomous, feedback-driven refinement.