让AI把碎片化发现变成结构化探索性测试用例

原创

AI智享空间

发布于 2026-08-08 06:46:09

1340

文章被收录于专栏：效能提升效能提升

图片

一、那个堆在备忘录里的宝藏

做了五年测试的小强有一个习惯：探索性测试的时候用手机备忘录随手记。

她的备忘录里，有这样一些内容：

- 搜索框输入emoji会闪一下
- 切换tab时候上一个tab的loading状态没清掉
- 用户名带空格能过校验？？？试试
- 筛选条件重置按钮点了没反应（第二次）
- 退出重新进还在上次的位置 —— 这个算bug吗
- 价格区间 0-0 能搜出来东西（正常吗）
- 图片加载失败的占位符好丑，产品知道吗

这些记录，是真实探索过程的产物：混杂着疑问、感受、未确认的发现、需要跟进的线索。它们很有价值——这是人工探索最难被自动化替代的部分，是经验和直觉的结晶。

但它们有一个致命的问题：只在小强的脑子里有完整的上下文。

下周她要写测试报告，这些笔记变成几条缺陷描述，上了缺陷系统。三个月后，这个功能迭代了，新来的测试同学要做回归，打开她的历史用例，什么都没有——那些探索的发现，从来没有被转化成可复用的结构化用例。

这不是小强一个人的问题，这是探索性测试这种工作方式的结构性困境：探索的过程产生了大量有价值的认知，但整理这些认知的成本太高，所以大多数发现最终消散了。

AI能解决这个问题。

二、碎片化笔记为什么难被利用

在说解法之前，先搞清楚碎片化笔记难以利用的根源在哪里。

第一个原因：上下文依赖。探索性测试的笔记，是"在场记录"——记录者知道当时的操作路径、当时的系统状态、当时的思考过程。但这些上下文没有被记录进去，只记了一个结论或一个现象。事后看笔记，需要重新还原当时的场景，成本很高。

第二个原因：分类混乱。真实的探索笔记混杂着：已确认的缺陷、待确认的疑点、体验性反馈、测试思路线索、需要和产品确认的问题。这四五种不同性质的内容堆在一起，需要人工逐条甄别分类，耗时且容易遗漏。

第三个原因：结构缺失。一条规范的测试用例需要：前置条件、操作步骤、预期结果、实际结果、优先级。探索笔记通常只有其中的一两个维度，转化成用例需要大量的"补全"工作——补缺失的步骤，补预期结果，补前置条件。

第四个原因：时间滞后。探索测试结束之后，整理笔记通常不是立刻发生的——测试工程师被下一个任务拉走了。等到有时间整理，记忆已经模糊，很多笔记里的细节已经无法还原。

这四个原因叠加，让"把探索发现转化为结构化用例"这件事，从一件"应该做"的事，变成了一件"总是没做"的事。

三、AI介入的三个层次

AI辅助整理探索笔记，不是一步到位的魔法，而是在三个层次上帮你降低不同环节的成本。

3.1 第一层：分类与提炼

把原始笔记喂给AI，让它做第一道分类处理——把混杂的内容分成几个清晰的桶：已确认缺陷、待验证疑点、体验性问题、测试思路、需确认问题。

输入：小强的原始笔记

- 搜索框输入emoji会闪一下
- 切换tab时候上一个tab的loading状态没清掉
- 用户名带空格能过校验？？？试试
- 筛选条件重置按钮点了没反应（第二次）
- 退出重新进还在上次的位置 —— 这个算bug吗
- 价格区间 0-0 能搜出来东西（正常吗）
- 图片加载失败的占位符好丑，产品知道吗

Prompt设计：

你是一名资深测试工程师，正在帮助整理探索性测试过程中的碎片化笔记。

系统背景：电商搜索与商品列表功能，正在进行探索性测试。

请将以下笔记分类整理，分为：
① 已确认缺陷（行为明确异常，需要立即提单）
② 待复现验证（现象不稳定或描述不完整，需要再次确认）
③ 体验/UI问题（非功能性问题，影响使用体验）
④ 边界场景疑点（需要和产品确认是否属于预期行为）
⑤ 测试思路延伸（发现的线索，值得继续探索的方向）

对每条分类完的笔记，补充：

- 可能的根因推断（一句话）
- 复现建议（如果需要）
- 优先级建议（P0/P1/P2）

笔记内容：[粘贴原始笔记]

AI输出（整理后）：

【① 已确认缺陷】
▸ 筛选条件重置按钮点击无响应（第二次触发时）  根因推断：可能是事件监听器未正确重新绑定，或按钮状态未重置  复现步骤建议：① 设置任意筛选条件 ② 点击重置 ③ 再次设置筛选条件 ④ 再次点击重置，观察是否无响应  优先级：P1（核心筛选功能失效影响用户操作流）
▸ 切换Tab后上一个Tab的Loading状态残留  根因推断：Tab切换时未清理前一个Tab的异步状态，可能存在状态管理泄漏  复现步骤建议：① 触发某Tab的数据加载 ② 在加载完成前立即切换到另一Tab ③ 切回观察Loading是否消失  优先级：P1（视觉错误影响用户判断）
【② 待复现验证】
▸ 搜索框输入Emoji会"闪一下"  根因推断：输入法处理特殊字符时可能触发重渲染，或emoji字符导致输入框高度变化  复现建议：尝试多种emoji，记录具体闪烁的触发条件（输入时/删除时/提交时）  优先级：P2（待确认是否稳定复现）
【③ 体验/UI问题】
▸ 图片加载失败占位符视觉体验差  根因推断：占位符设计未纳入UI规范，建议截图后同步产品和设计  优先级：P2（体验问题，不影响功能）
【④ 边界场景疑点（需产品确认）】
▸ 用户名允许包含空格通过校验  疑点说明：前端校验规则是否应当过滤首尾空格？含空格的用户名会否影响搜索匹配？  建议：确认产品PRD中用户名合法字符集的定义
▸ 价格区间设置为 0-0 返回搜索结果  疑点说明：0元商品是否合法存在？此查询是否属于预期行为？  建议：确认商品价格的最小值边界定义，以及0元区间的业务含义
▸ 退出后重新进入页面保留上次浏览位置  疑点说明：此行为是有意设计（记忆滚动位置）还是状态未清理的副作用？  建议：查看产品设计稿是否有此交互说明
【⑤ 测试思路延伸（建议继续探索）】
▸ 输入特殊字符的边界值未系统覆盖  基于emoji输入问题，建议系统测试：全角字符、HTML标签、超长字符串、纯空格、特殊符号（<>'"&）
▸ Tab状态管理存在风险  基于Loading残留问题，建议扩大探索：快速连续切换多个Tab，观察数据混乱或请求竞争场景

这份整理，把7条混乱的笔记，变成了5个清晰分类、18条有结构的信息。AI完成这件事不到10秒，人工做需要至少20分钟。

3.2 第二层：补全为结构化用例

分类之后，针对"已确认缺陷"和"待复现验证"类别，让AI进一步把每条发现补全为标准格式的测试用例——这是从"探索笔记"到"可复用资产"最关键的一步。

输入：已分类的缺陷条目 + 系统背景

Prompt设计：

请将以下缺陷发现，转化为标准格式的测试用例，用于后续回归测试复用。

格式要求：

- 用例ID（自动生成）
- 用例名称（简洁描述测试意图）
- 前置条件（运行此用例前系统应处于的状态）
- 操作步骤（逐步可执行，数字编号）
- 预期结果（明确的判断标准）
- 实际结果（当前缺陷表现，留作对照）
- 优先级
- 标签（功能模块 + 场景类型）

缺陷信息：
筛选条件重置按钮第二次点击无响应
系统背景：商品搜索页，包含品类/价格/品牌等筛选条件

AI输出：

用例ID：TC_SEARCH_FILTER_003
用例名称：筛选重置按钮连续操作后的响应验证
优先级：P1
标签：[搜索模块] [交互功能] [状态重置] [回归必测]

前置条件：
1. 用户已登录并进入商品搜索列表页
2. 页面至少存在品类、价格、品牌三个筛选维度
3. 当前筛选条件为全部默认（未设置任何筛选）

操作步骤：
1. 在搜索筛选区域，选择任意品类（如"手机"）
2. 设置价格区间为 100-500 元
3. 点击"重置"按钮，观察筛选条件是否恢复默认
4. 重新选择任意品类（如"耳机"）
5. 再次点击"重置"按钮
6. 观察按钮响应及筛选条件变化

预期结果：

- 步骤3：所有筛选条件恢复默认，商品列表刷新
- 步骤5：重置按钮正常响应，所有筛选条件再次恢复默认，商品列表再次刷新
- 两次重置操作表现一致

实际结果（当前）：

- 步骤5：重置按钮点击后无任何响应，筛选条件未恢复，列表未刷新

扩展测试建议：

- 验证重置3次及以上的场景
- 验证在加载过程中点击重置的行为
- 验证不同筛选组合后重置的一致性

这条用例，任何一个没有参与当次探索测试的工程师，拿到之后都能直接复现和执行。探索的发现，从只在小强脑子里，变成了团队可共用的资产。

3.3 第三层：发现模式，提炼测试策略

这是最有深度的一层，也是最容易被忽视的一层。

当一个人积累了多次探索测试的笔记之后，AI可以跨多次探索做模式识别——找出哪类场景反复出现问题，识别系统的"惯性薄弱点"，提炼成测试策略建议。

Prompt设计：

以下是同一系统三次探索性测试的缺陷汇总（共24条）。
请分析：
1. 哪些功能模块的缺陷密度最高？
2. 哪类缺陷（交互/数据/性能/权限）出现频率最高？
3. 是否存在关联模式（某类操作容易引发连锁问题）？
4. 基于以上分析，对下一轮测试给出重点探索方向建议。

[粘贴三次探索的缺陷列表]

这层分析，把碎片化的单次发现，升华成了对系统质量特征的整体认知——哪里是高风险区，哪里需要重点盯，哪类操作最容易触发连锁问题。

这份洞察，是经验的提炼，也是测试策略的依据。它不是一次探索能做到的，而是AI帮你跨越时间维度，对多次探索的积累做结构化的回顾。

四、落地流程：从探索结束到用例入库

把三个层次整合成一个实际可操作的工作流：

探索测试进行中  ↓随手记录碎片笔记（不限格式，手机/纸/文档均可）  ↓探索结束后 15 分钟内  ↓AI第一层处理：分类提炼（约2分钟）  ↓人工快速复核：确认分类是否准确，补充遗漏的上下文（约5分钟）  ↓AI第二层处理：生成结构化用例草稿（约3分钟/条）  ↓人工复核用例：确认步骤可执行性，补充必要业务背景（约10分钟/批）  ↓入库：已确认缺陷→缺陷系统，结构化用例→用例库，测试思路→下次探索准备

整个流程，从探索结束到用例入库，压缩到30分钟以内。

最重要的一个时间节点：探索结束后15分钟内开始整理。

不要等到第二天。记忆衰减得比你想象的快，那些"当时觉得很清楚"的上下文，第二天已经模糊了一半。趁热打铁，是让AI帮你整理出高质量结果的前提——AI能补全的，是结构，不是你丢失的记忆。