本文提出 FunFuzz，一个基于大型语言模型（LLM）的进化模糊测试框架，旨在解决传统 LLM 驱动模糊测试中 prompt 初始化和采样方差导致的探索效率低下和输入冗余问题。FunFuzz 采用多岛进化算法，并行运行多个隔离的搜索过程，并定期迁移高价值候选输入以维持种群多样性。初始生成 prompt 从文档中提取，每个岛屿使用特定主题的指令初始化，随后通过反馈引导的 prompt 选择机制持续调整 prompt。在模糊测试过程中，候选输入根据增量编译器覆盖率进行排序，同时利用编译器内部失败信号识别崩溃触发输入。在 GCC 和 Clang 编译器上的 24 小时连续实验表明，FunFuzz 相比之前的 LLM 驱动基线方法实现了更高的编译器覆盖率，并发现了更多独特的编译器内部失败触发输入。该方法有效结合了 LLM 的输入生成能力和进化算法的全局搜索能力，为编译器等结构化输入场景的模糊测试提供了新思路。