Gtest_【智能测试专场】-《智能用例生成：智能用例设计到自动化实现》百度周梧桐.pdf

《Gtest_【智能测试专场】-《智能用例生成：智能用例设计到自动化实现》百度周梧桐.pdf》由会员分享，可在线阅读，更多相关《Gtest_【智能测试专场】-《智能用例生成：智能用例设计到自动化实现》百度周梧桐.pdf（30页珍藏版）》请在三个皮匠报告上搜索。

1、测无止境 数智共进2024全球软件测试技术峰会北京 12月智能用例生成：智能用例设计到自动化实现演讲人：周梧桐2024年12月6日姓名：周梧桐百度资深工程师，作为项目负责人建设智能用例生成，打造单测生成、文本测试用例生成、自动化测试用例生成等智能化产品。目前聚焦于智能化测试的探索及落地，在文本、代码生成方向都有深入研究。目录1.智能化测试的重要性与挑战2.智能化测试整体架构3.AI Agents 在测试环节的应用实践4.展望Part 1 智能化测试的重要性与挑战软件测试智能化的重要性效率互联网企业精细化发展，降低成本、提升效率是企业运营的关键任务。模式软件复杂度上升，研发模式变革（低代码、零代

2、码、AI生成），传统测试模式需要有新的变化，适应新的研发流程交付。机遇生成式AI的高速发展，给软件测试变革带来了巨大的机遇。虽然看起来单项任务难度相对更低，但是涉及面更多更广。想要辅助生成部分代码&用例设计相对更简单，但是想要彻底完成某项任务其实更难。QA 与 RD 工作的对比 Copilot 模式在测试场景中接受度低（例如在接口测试场景，输入详细的测试步骤生成初版代码，人工进行细节调整后再进行调试执行）核心原因是测试场景单项任务复杂度较低，仅做代码生成、续写或部分工作无法满足需求，不如直接参考历史用例进行复制粘贴并修改。在收益不明显的情况下，改变习惯的工作模式难度大。因此，需要端到端带来足够

3、的变化+收益才能快速应用落地Copilot模式在测试场景的应用 由于测试场景的复杂性，现阶段让 AI 彻底替代 QA 不现实，需要人与 AI 协作才能取得更好的效果 协作模式可以是 AI 完成基础版本，人来 Review 结果并通过人工指导或少量调整达到希望结果 这就要求 AI 来适配人的习惯，生成的基础版本尽可能与人的期望一致AI 现阶段彻底替代 QA 的可行性测试智能化落地中的问题从协同到Agent自动交付一、QA作为对整个项目全局最了解的人，如何让 AI Agent 对项目有足够了解，从而生成的内容更准二、如何让 Agent 独立完成某类工作，避免频繁的进行任务A-任务B-任务C的任务转

4、化，从而有效提升QA工作的效率Part 2 智能化测试整体架构AI Agents 需要理解哪些业务知识AI Agents加持的智能化测试工作流智能化测试系统架构图Part 3 AI Agents在测试环节的应用实践AI Agents 需要理解业务哪些内容入职第一周:1.了解系统的基本概念&功能范畴2.作为用户熟悉整个系统的功能使用3.了解当前系统的测试流程&规范4.熟悉测试自动化编写&执行规范等日常迭代测试:1.参与需求评审，了解需求迭代功能2.阅读 PRD、UI/UE、技术方案等全面了解本次变更3.根据研发接口文档设计&编写接口自动化测试4.通过 CodeReview 了解本次变更影响面全局

5、知识工作正常启动的前提在日常测试的各个环节中体现需求级知识日常迭代过程中核心输入不同的类型的知识在不同测试环节中的依赖程度有一定差异全局知识构建(文档/API)文档类:包含纯文本文档和图片类，其中图片类先通过 OCR 和多模态模型理解转为文字类，整体通过 GraphRAG进行索引构建并用于后续检索增强，从而提升检索准确度API 类:统一在 API 管理平台纳管，底层提供结构化存储和向量化存储两种能力，支持结构化检索和语义检索全局知识构建(代码)代码解析与 API 类似，代码管理平台默认支持了基于 AST 解析的 SourceGraph 检索能力和基于embedding 的语义检索能力，同时，结

6、合测试代码库的典型特征，我们进一步对测试代码库的代码段进行分类，并针对其中 API 调用的代码进行了结构化信息的提取。需求级知识构建与全局知识不同，需求级知识往往是本次测试任务中各个环节的核心输入，且上下文内容有限。因此，在数据的处理上更多的是对知识的关联绑定，便于对相关数据的规则检索；此外，针对 UI&UE 稿等图片信息，与全局知识类似，也会进行一些预处理，包括图片理解等操作；同时，针对 PRD 文档会进行一些结构化拆分，例如思维脑图转化，用于后续用例设计等环节。知识检索与应用能力我们建设了统一的检索服务打通各类知识检索，通过统一检索&问答 API 来面向上层的各类测试场景智能体提供服务；同