- 综合排序
- 最热优先
- 最新优先
- 来自专栏测试技术圈
面向AI应用的测试思考
然而，由于AI是一种新的编程范式，无论在学术界还是工业界，对于AI测试的研究和实践尚处于起步阶段。” AI引导了新一轮的产业变革，随着AI在各行各业的应用日益广泛，对AI应用测试的需求也与日俱增。 由此可见，对于AI应用的质量保障显得愈发重要。 1 AI测试面临挑战 关于AI应用（系统）的组成，通常是由软件工程和机器学习模型结合。 现实世界中的ML应用程序/系统只有一小部分由ML代码组成，其他大部分都是由复杂的架构工程构成。对于AI产品业务的测试，可以从两个方面着手，数据验证测试和AI应用测试。 基于AI / ML应用程序的测试。 关于AI应用测试，可以总结概括4个关键要点，算法、数据质量、业务场景、分层专项。 ? 总之，对于AI/ML模型的测试问题与传统软件测试问题有较大不同，且存在着诸多技术挑战。但伴随着业界越来越多地使用AI技术来构建其系统和应用程序，对AI应用的测试方法和实践将在未来迅速发展和逐步完善。
2K51发布于 2020-09-08 - 来自专栏后端知识开放麦
Java 软件测试（二）：Mockito与JUnit 5应用
Mockito作为Java生态中最受欢迎的模拟框架，配合JUnit 5的强大测试能力，为我们提供了一套完整的单元测试解决方案。 这在测试方法调用逻辑时非常有用，可以确保某些关键方法确实被执行了。1.3 高级功能应用@Captor注解可以捕获方法调用时的参数，这在需要验证传入参数是否正确时很有帮助。 JUnit 5新特性探索JUnit 5相比之前的版本有了很大的改进，不仅在架构上更加模块化，在功能上也更加强大。 Platform提供了测试引擎的基础设施，Jupiter是新的编程和扩展模型，Vintage则保证了向后兼容性。这种设计让JUnit 5具备了更好的扩展性，开发者可以根据需要选择不同的测试引擎。 实际业务场景应用4.1 电商订单处理测试在电商系统中，订单处理通常涉及多个服务的协作。比如需要检查库存、处理支付、更新订单状态等。这种复杂的业务场景正是Mockito发挥作用的地方。
94310编辑于 2025-09-11 - 来自专栏FunTester
AI 驱动的应用，传统测试正在失效
最近两年，测试圈子里弥漫着焦虑情绪：业务团队快速推进 AI 技术落地，智能客服、AI 助手等功能已成为 Web 应用标配；而测试工程师却越来越心虚，明明编写了大量用例并执行回归测试，但内心始终不安。 这种焦虑源于测试思维框架已过时——传统测试依赖确定性，而 AI 系统充满概率性和不确定性。 测试工程师最近的集体困惑 来看几个典型的AI测试场景，这些问题正在让测试工程师重新思考传统方法的有效性。 4 明天等于 5 • 系统逻辑稳定，不会临时变卦 —— 软件就像个老实的机器人，该干嘛干嘛，不会突然改变主意 • 可以提前写出明确的预期结果 —— 测试用例就像考试卷子，标准答案是提前知道的 • 失败 ，因为上周能跑通的这周也应该能跑通 • 把 CI 结果当作上线门禁，因为红灯亮起就是有问题需要解决 AI 应用天生不吃这套 好，现在问题来了：AI 驱动的 Web 应用，还满足我们刚才说的那些确定性前提吗 AI 驱动的 Web 应用，已经不再是我们传统测试方法所设想的那类系统。
27510编辑于 2026-06-17 - 来自专栏效能提升
这 5 款 AI 测试神器，让脚本编写效率飙升
效率提升主要来自三个环节的压缩:元素定位的代码不需要逐行手写(用自然语言描述操作,AI 转化成可执行命令),失败排查从人工翻日志变成 AI 辅助归因(对照截图和执行记录,AI 给出可能的失败原因和修复建议 对测试人的价值: 你不需要写 page.locator(...).click()这样的具体代码,只需要用自然语言描述"打开登录页,输入用户名密码,点击登录按钮",AI 通过 MCP 协议调用 Playwright 文档,让 AI Agent 在执行测试任务时主动加载并参照。 核心机制: 在 IDE 中配置好 MCP 工具(勾选文件系统、终端、联网搜索等内置能力),创建一个面向测试场景的 AI 助手角色,后续就可以在对话框里用自然语言指令直接执行测试操作,比如"打开这个 URL 对测试人的价值:这类集成方案的优势是上手门槛低——不需要额外学习新工具的使用方式,在熟悉的 IDE 环境里就能完成从"描述测试意图"到"看到执行结果"的完整闭环,适合刚开始接触 AI 测试工具的团队作为入门尝试
47110编辑于 2026-06-24 - 来自专栏啄木鸟软件测试
2026年AI测试工具的5大认知误区
本文基于啄木鸟软件测试团队对127家企业的AI测试落地审计数据（2024–2025），梳理出2026年最普遍、最具破坏力的5大误区，并给出可立即落地的纠偏路径。 字段变更率＞5%即冻结AI用例生成）。 误区四：‘AI可替代探索性测试’——低估人类情境建模能力 有团队取消手工探索测试环节，完全依赖AI执行‘模糊测试+场景组合’。 结果在某政务App上线后，用户反馈‘人脸识别成功却跳转至旧版办事页’——AI从未模拟‘用户连续切换3次网络制式（WiFi->5G->地铁弱网）后触发前端路由缓存污染’这一真实情境。 结语：AI不是测试的终点，而是认知升级的起点 2026年的AI测试工具，已从‘自动化加速器’进化为‘测试认知放大器’。
56010编辑于 2026-06-15 - 来自专栏啄木鸟软件测试
提示词测试：AI应用的性能优化新维度
引言：当大模型成为基础设施，提示词就是新API 在AI原生应用爆发式增长的今天，越来越多团队发现：模型能力已非瓶颈，真正制约系统响应速度、成本效率与用户体验的，是那短短几十到几百字符的提示词（Prompt 而对它的系统性测试与优化，已构成AI工程化落地中不可忽视的性能优化新维度。 一、为什么提示词需要性能测试？ 传统认知中，提示词属于‘逻辑层’，性能问题归于模型推理或后端服务。 Llama-3-70B在处理含5层嵌套指令的提示时，生成稳定性下降22%，出现‘卡顿-爆发’式输出（bursty generation），影响流式渲染体验。 3. 【约束具象化】避免‘请简洁回答’，改用‘限50字内，禁用术语’——明确约束显著提升解码器收敛效率 5. 、压力测试和灰度发布的代码，标志着AI应用开发正从‘实验范式’迈向‘工程范式’。
46510编辑于 2026-05-08 - 来自专栏啄木鸟软件测试
AI驱动测试：5个高价值开源方案实战解析
引言：当测试工程师开始和大模型对话 在2024年Q2的行业调研中，68%的头部科技企业已将AI辅助测试纳入质量保障体系，但其中仅23%采用自研AI测试平台——成本高、迭代慢、场景适配难成为主要瓶颈。 本文聚焦真正经受过千级CI/CD流水线锤炼的5个开源AI测试方案，拒绝概念炒作，只谈落地实效。 例如：按钮文字从‘提交’变为‘确认’，背景色从#F5F5F5变为#FAFAFA——人类认为一致，传统工具标记为失败。 结语：开源AI测试不是替代，而是增强的支点 观察这些项目共性：它们均避开‘用AI写全部测试脚本’的陷阱，转而解决测试工程师最痛的3类问题——信息过载（日志/截图/指标）、认知盲区（边界条件/组合爆炸）、 ，实现从应用层到内核层的AI可观测闭环。
1.3K10编辑于 2026-03-31 - 来自专栏大数据文摘
趋势已成：未来5年AI在银行业的5大应用
十大AI公司 AI被应用于很多行业，Bizofit（一家智能连接企业和服务提供商的平台公司）整理了以下十大人工智能公司。 Next IT Next IT 把AI应用到医疗健康和金融行业，主要专注于自然语言处理、聊天机器人和机器学习。 下图显示了AI在银行和金融服务行业中得到广泛应用的原因： 图片标题：金融服务机构采用AI解决方案的理由 从上到下6行文字分别是：其他，广泛提供个性化交流，提高同业竞争力，提升作为创新型公司的创新形象， 识别数据中隐含的（但是容易被其他方法忽略的）机会，增加劳动生产力 图片来源：financialbrand.com AI在银行业中有很多应用，以下是在未来5年内会给银行业带来革命性变化的几个关键AI应用。 ai-applications-in-banking-to-look-out-for-in-next-5-years/ 关于转载 如需转载，请在开篇显著位置注明作者和出处（转自：大数据文摘 | bigdatadigest
2.2K40发布于 2018-05-25 - 来自专栏Python
测试 Flask 应用
没有测试过的应用将会使得提高现有代码质量很困难，二不测试应用程序的开发者，会显得特别多疑。如果一个应用拥有自动化测试，那么您就可以安全的修改然后立刻知道是否有错误。 Flask 提供了一种方法用于测试您的应用，那就是将 Werkzeug 测试 Client 暴露出来，并且为您操作这些内容的本地上下文变量。然后您就可以将自己最喜欢的测试解决方案应用于其上了。 这个测试客户端将会给我们一个通向应用的简单接口，我们可以激发对向应用发送请求的测试，并且此客户端也会帮我们记录 Cookie 的动态。 第一个测试 是进行第一个应用功能的测试的时候了。让我们检查当我们访问根路径(/)时应用程序是否正确地返回了了“No entries here so far” 字样。 如果您希望测试应用在不同配置的情况下的表现，这里似乎没有一个很好的方法，考虑使用应用的工厂函数(参考 应用程序的工厂函数) 注意，尽管你在使用一个测试用的请求环境，函数 before_request()
1.1K00发布于 2018-07-31 - 来自专栏DotNet NB && CloudNative
AI应用实战课学习总结（5）回归分析预测实战
最近入坑黄佳老师的《AI应用实战课》，记录下我的学习之旅，也算是总结回顾。 今天是我们的第5站，一起了解下回归分析是什么 以及 通过回归模型预测电商用户的生命周期价值（LTV）。 回归分析主要应用在以下场景： 确定变量之间的关系 预测数值 趋势分析 我们在第三站《预测带货直播销售额》就是一个典型的回归分析案例。 LinearRegression #导入线性回归模块 model = LinearRegression() #创建线性回归模型 model.fit(X_train, y_train) #拟合模型 Step5 : 0.4778 可以看出，它在训练集上的效果还不错，但在测试集上的分数差了一丢丢，但也没差多少吧。 线性回归 - 训练集上的R平方分数: 0.6187 线性回归 - 测试集上的R平方分数: 0.4778 决策树回归 - 训练集上的R平方分数: 1.0000 决策树回归 - 测试集上的R平方分数: 0.3481
72110编辑于 2025-03-07 - 来自专栏腾讯云开发者社区头条
AI 与 5G 在无线通信的应用
聊起 AI，画面都充斥着机械语言：精密高级的芯片，光怪陆离的智能产业……你眼中的 AI 有什么样的能力？能给传统行业带来哪些变革与发展？ 基于此，腾讯云开发者社区联手知乎科技，从知乎AI 与传统行业相关话题中精选内容落地社区专题「 AI 与传统行业的融合 」。 本文为“AI 将如何影响电子信息产业”的精华内容分享。 5G Release 16里引入了动态频谱共享标准，在美国也已经确定了几个可以供5G共享的频段，所以目前这个问题又翻新了重新得到重视。 举个简单的例子，5G基站功耗较大，所以有时候需要关闭某些载波，或者在某个时段关闭整个基站来节省能量。 更多关于边缘计算的可能和背后逻辑，可以参照这个回答： 在 5G 网络时代，边缘计算会如何进一步发展？
3.7K2221发布于 2020-04-14 - 来自专栏一个会写诗的程序员的博客
Spring Boot 应用的测试Spring Boot 应用的测试
Spring Boot 应用的测试 《Spring Boot 实战开发》(陈光剑) —— 基于 Gradle + Kotlin的企业级应用开发最佳实践 本书写到这里，Spring Boot 2.0.0 这是本书最后一章，本章介绍 Spring Boot 应用的测试（质量保障）相关的内容。我们在项目开发中使用分层架构，在测试中也进行分层测试。 测试代码目录结构设计如下 图15-1 测试代码目录结构 测试代码的分层逻辑与项目源代码中的 dao层、service 层、controller 层各自对应。 下面我们来开发具体的测试类。 Test 生成的测试报告在 build/reports/tests/test/index.html 中，如下图 图15-5 Gradle Test 生成的测试报告在 build/reports/tests Spring Boot 应用对Web层测试提供强大的支持：采用MockMvc方式测试Web请求，根据传递的不用参数以及请求返回对象反馈信息进行验证测试。
2.3K30发布于 2018-08-17 构建多智能体 AI 应用的5个最佳框架
多智能体在企业中的应用场景 在企业环境中，Agentic AI 系统具有广泛的应用，从任务自动化到重复性操作都有巨大价值。 •电商平台监听：实时监控并分析电商应用各个渠道上的用户情绪[4]与反馈。•投票与评价分析：通过分析用户反馈与问卷调查数据[5]，洞察客户需求，从而优化客户体验。 •科技行业：在科技领域，AI 编码智能体可辅助开发者和工程师高效完成代码生成、自动化操作、测试与错误修复，从而提升开发效率和产品质量。 •教育资源丰富（Educational resources）：Swarm 提供了一系列激发灵感的智能体示例用例，涵盖从基础到高级的多智能体应用，可供运行和测试，作为学习和开发的起点。 你可以将其用于实验性目的进行测试与学习。如需了解更高级的 Swarm 智能体应用场景，请查阅 OpenAI 官方 GitHub 中的相关示例[17]项目。 3.
2.1K10编辑于 2026-03-13- 来自专栏测试开发干货
【AI应用测试土话实战教程-01】Ai在测试领域可以做的十件事！
如果您可以举一反三，那这个系列就是您成为AI测试大佬的第一步。 好，现在我们第一节，就来说三个问题： 1. 为什么要学AI？ 2. AI到底难不难？ AI在软件测试行业到底能干点啥？ ---- 现在，先来说第一个问题： 为什么要学AI？ 既然是土话教程，我就不给大家扯什么高大上的意义，对人类的贡献这些了，简单就是一句话。 ---- 最后一个问题： AI在测试工作中能干点啥 ？ 5. 自动规划出测试范围。漏测，开发带私货提测，隐瞒改动，用例关系隐秘，历史资料丢失等等问题，都可以让AI去补充、预测、规划测试范围。 6. 预料之外线上生产环境BUG预测。 让AI训练以往各个自动化脚本和其表现，再有新的脚本提交给AI后，就可以预测出这个脚本的质量如何了... 8. 性能测试。
60822编辑于 2023-08-14 - 来自专栏测试开发技术
你说你会AI测试，那你是怎么实现AI+软件测试的呢？（附带5 层AI 质量管理体系）
前天面试了一个有着五年经验的测试工程师。 简历上写得挺漂亮：熟练使用AI生成测试用例，用AI实现自动化测试。我心想，这哥们儿应该有点东西，就抛了一个真实的项目问题过去。 没想到，他的回答把我惊呆了。 如果这道题你也不知道怎么回答，可以一起加入「AI 进化社」学习，里面涵盖了完整的能拿捏面试官的AI 测试必考题库和AI 测试项目实战技能，覆盖软件测试开发全流程AI 赋能。 但它不会知道： 你们的支付通道有金额下限（0.01元） 网络中断后需要支持3次重试，每次间隔5秒 支付超时后订单状态要回滚为"待支付"，不能卡在"支付中" 同一笔订单不能重复支付（幂等性） 正确的做法是先人工拆解需求 结合项目历史缺陷库，校验AI有没有覆盖过往线上出过的同类bug 具体供参考： 校验维度 具体做法 合格线 需求覆盖率 对照需求文档逐条映射，看每个功能点有没有对应用例 ≥95% 反向用例占比 反向/异常用例占总用例比例 ≥30% 边界用例数量 每个数值型字段至少2个边界值（最小、最大） 100%覆盖 重复用例率 语义重复的用例占比 ≤10% 逻辑错误率 业务逻辑错误或无法执行的用例占比 ≤5% 高危场景遗漏率 权限/
55610编辑于 2026-05-11 - 来自专栏架构随笔录
2023年5个最热门的AI应用案例解析
1.应用领域——医疗 人工智能的下一个重要应用领域——医疗，医疗领域里最火的AI技术莫过于基于深度学习的医学影像分析，这项技术可以帮助医生提高诊断效率和精度。 1.智能辅助诊断系统 AI辅助诊断系统是目前应用最为广泛的一种人工智能技术。 在过去的几年中，随着深度学习和神经网络等技术的迅速发展，AI语音识别技术也得到了重大突破和进步。 现如今，AI语音识别技术广泛应用于各种场景中。 其次，AI也在自然语言生成方面取得了长足进展。这种技术可以生成自然、流畅的文本，并且可以应用于广泛的应用程序中。例如，在内容营销领域，AI可以根据用户需求自动生成吸引人的文章标题和描述。 5.应用领域——自动驾驶技术 在未来很可能会成为交通行业的颠覆者之一。“开车不需要驾照”这句话可能会变成真实存在。 介绍一些最新的AI在自动驾驶技术中的应用案例。 1.
6.7K31编辑于 2023-08-18 - 来自专栏FunTester
LevelDB在测试中应用应用
} } Part3有状态服务 目前使用场景中还有一个就是将一个正常的Java服务变成一个有状态的服务，比如这个服务需要执行大量的耗时的任务，这些任务都是在内存中的，会分多个阶段，在分布式性能测试中经常碰见这样的情况
2.7K10编辑于 2022-01-05 - 来自专栏PaddlePaddle
5G通达，AI赋能 AI在网络规划中的应用实践
本文为大家带来的演讲主题是：5G通达，AI赋能，主要分为三个部分： 网络规划 传播模型 AI的应用效果 网络规划 与图像、语音这种，和日常生活息息相关的AI应用不同，在移动通信网络中的应用AI，其专业性较强 到5G时代，可以结合大数据分析以及AI能力，达到进一步提质增效的目的。 WAVE SUMMIT+2021深度学习开发者峰会 哪些区域值得建站？ 在实际应用中，可以在已知参量的调整下查表应用。Hata模型就是在奥村进行大量测试数据的基础上，给出拟合的公式。 在以上所有的传播模型中，都需要应用到实际的现场数据，进行模型校正。而衡量模型准确性重要指标，就是在实际测试值和模型预测值之间的误差。 今天主要分享的，是应用AI实现空间无线电波传播特性的建模。 它的优势就是能够应用现网的大数据，实现逐区域模型的迭代更新，从而进一步提高预测准确性。 AI的应用效果 接下来分享AI传播模型，在应用的时候效果如何？ AI技术，已经成功应用于诸多领域。
48430编辑于 2022-03-31 AI测试
AI抢不走测试人的饭碗，但会用AI的测试人，会抢走你的本文来自一个把AI测试真正落地并开源的团队：https://gitee.com/wwcs/ai_test_sheng附在线体验环境：http://111.229.22.12 ✅我们的解法：规则化推断，批量生成用例矩阵阶段三用例设计内置等价类划分+边界值分析+场景流程推演规则：文本输入框必推5类等价类、日期选择器必测"开始>结束"、金额必测0和上限+0.01……AI按规则批量推断 AI干了什么、为什么这么干，一帧一帧看得见，出了问题能定位到具体步骤，测试负责人敢签字。痛点5：脚本维护成本高，页面一改全挂真实场景：前端页面改个class，几十条自动化脚本全部红叉。 测试，不如来体验一下真实跑起来的AI测试。 3AI脚本不敢执行沙箱执行+dry_run试运行+权限隔离4AI黑盒，没法复盘SSE流式对话，thinking/工具调用全过程可见5页面一改脚本全挂L1-L3故障自愈：重试→AI修复→人工介入6回归重复枯燥
12910编辑于 2026-08-28- 来自专栏愚公系列-书籍专栏
【愚公系列】《AIGC辅助软件开发》019-AI 辅助测试与调试：AI辅助测试与调试应用案例
然而，传统的软件测试方法存在许多问题，如测试效率低、测试质量难以保证、测试成本高等。因此，AI技术在软件测试领域的应用已成为一种必然趋势。 应用领域 描述 测试需求分析 AI技术可以协助测试人员快速、准确地分析和整理测试需求，从而更好地理解需求，为后续的测试工作提供支持。 测试用例设计 AI技术可以协助测试人员智能地进行测试用例设计，从而提高测试用例的覆盖率和质量，直接影响测试结果。 除了上述工作，AI技术还可以协助测试人员进行多种类型的测试，包括： 功能测试 性能测试 兼容性测试 安全测试 回归测试 此外，AI技术还可以帮助测试人员进行测试管理，包括测试流程、规范、标准等内容，从而提前发现和预防测试中的问题和风险 一、AI辅助测试与调试应用案例 1.制定测试策略 请根据以下上传文件的需求描述，制定一份详细的测试策略。需求描述如下: 1.文件数量限制:单次上传文件的数量不超过5个。
2.8K11编辑于 2024-12-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号