A2--王一勃--基于知识驱动的智能测试用例生成探索与实践.pdf

《A2--王一勃--基于知识驱动的智能测试用例生成探索与实践.pdf》由会员分享，可在线阅读，更多相关《A2--王一勃--基于知识驱动的智能测试用例生成探索与实践.pdf（38页珍藏版）》请在三个皮匠报告上搜索。

1、王一勃58同城 本地生活 测试平台高级研发王一勃王一勃58同城 高级Java研发工程师58同城高级Java研发工程师，拥有多年一线研发与质量保障经验。曾专注于AI代码辅助工具的研发，深入探究AI技术的实现细节与潜在风险。目前致力于将AI技术与软件测试深度融合，主导构建智能测试解决方案，通过大模型与自动化技术提升测试用例生成效率与缺陷定位精度，为研发效能的全面提升提供核心支持。目录目录CONTENTSAI用例生成的背景与挑战010203落地效果与展示04AI生成测试用例实践05高效准确的知识智能自更新未来与展望PART 01PART 01AIAI用例生成的背景与挑战用例生成的背景与挑战AIAI时

2、代时代，测试领域的新机遇测试领域的新机遇单元测试生成单元测试生成 智能体智能体（AgentAgent）UIUI自动化测试自动化测试测试数据生成测试数据生成测试用例生成测试用例生成测试报告分析测试报告分析未来未来.理想与现实：大模型并非理想与现实：大模型并非“银弹银弹”理想理想现实现实需求文档大模型完美的测试用例大模型需求文档“答非所问”“知识缺失”“知识过时”的测试用例理想与现实：大模型并非理想与现实：大模型并非“银弹银弹”语义鸿沟语义鸿沟 模型缺乏深度的业务上下文理解，导致对关键约束和边界条件的遗漏 自然语言的模糊性与多样性，导致模型生成无效或错误的参数组合知识孤岛知识孤岛 业务知识散落于多

3、源异构的文档中，模型无法进行关联与整合，导致上下文缺失 隐性知识存在于团队成员的经验中，无法被模型利用，导致知识复用率极低迭代僵化迭代僵化 在业务快速迭代的背景下，大模型依赖的训练数据、知识库等往往存在版本滞后，导致其无法获取最新的业务规则与逻辑，生成的测试用例与当前实际需求脱节。AIAI用例用例生成面临的关键挑战生成面临的关键挑战如何让模型跨越语义鸿沟，真正理解业务逻辑和隐含约束2.2.深度理解深度理解如何打破知识孤岛，让模型具备全局业务视野1.1.知识融合知识融合如何让智能知识体系与需求同步迭代保持内容不过时3.3.动态演进动态演进PART 02PART 02AIAI生成测试用例实践生成测

4、试用例实践用例生成平台架构设计用例生成平台架构设计应用层应用层服务层服务层数据层数据层AIAI模型模型底座底座需求文档历史测试用例历史执行链路图数据库向量库需求获取业务分类数据清洗业务知识库业务知识图谱智能知识更新Rerank重排语义匹配关键词匹配双路召回测试用例生成业务可视化地图需求变更影响分析业务知识库UI自动化向量知识库的构建：打破知识孤岛向量知识库的构建：打破知识孤岛多源知识输入数据处理智能切块与向量化向量数据库索引与检索优化清除无效内容，将多来源数据统一为Markdown格式，便于模型识别和处理将长文档切分为有意义的知识片段（Chunk），并通过Embedding模型进行向量化。这是

5、实现语义搜索的关键。数据存入向量数据库后，在检索阶段，通过混合检索和Rerank，提升召回的准确性。问题问题原因剖析原因剖析解决解决思路思路复杂的知识来源知识散落在不同用例平台、文档中心、业务人员，缺乏统一的知识源，不同来源的文档存在内容冲突或版本不一致的问题 构建统一知识接入层：对有API的系统实现自动化Webhook同步；对无API的（如本地文档），提供统一的文档管理中心。建立知识溯源与优先级机制：为所有知识块添加来源元数据。检索根据知识来源（例如：PRD 设计文档 历史经验）对召回结果进行动态加权排序。数据格式多样知识来源包含文本、图像、流程图、XMind等，大模型直接处理效果差在数据预

6、处理阶段，针对不同格式构建数据处理智能体，将其统一解析为格式化的Markdown格式输出，减少模型理解成本、提升模型识别准确性向量知识库的构建：数据处理向量知识库的构建：数据处理向量知识库的构建：业务分类向量知识库的构建：业务分类所有业务线的知识都存放在一个知识库里时，一次检索就像是在整个图书馆里找一本书，不仅速度慢，而且极易受到干扰。搜索“服务时间”，可能会同时召回保洁阿姨的上门时间和维修师傅的上门时间，造成语义混乱。在知识库的构建和检索阶段，对于输入的需求，通过轻量级的业务分类智能体对需求进行分类，根据分类结果，确定需要操作的数据库，同时在元数据中对数据打标。意图识别前置在知识库的构建阶段