登录社区云,与社区用户共同成长
邀请您加入社区
顾名思义,接口测试是对系统或组件之间的接口进行测试,主要是校验数据的交换,传递和控制管理过程,以及相互逻辑依赖关系。其中接口协议分为HTTP,WebService,Dubbo,Thrift,Socket等类型,测试类型又主要分为功能测试,性能测试,稳定性测试,安全性测试等。在分层测试的“金字塔”模型中,接口测试属于第二层服务集成测试范畴。相比UI层(主要是WEB或APP)自动化测试而言,接口自动化
本文摘要: 针对大语言模型(LLM)在电商场景中的幻觉和安全隐患,提出系统化测试方案。知识测试涵盖事实性(准确率)、推理(正确率)和幻觉检测(虚构问题编造率),实测显示未优化的模型幻觉率高达70%。安全测试聚焦四类攻击:有害内容、隐私泄露、Prompt注入和Jailbreak,关键发现包括:规则过滤对已知攻击拦截率100%,但需结合LLM检测应对变体攻击。交付物包含标准测试集(如30个事实问题、2
本文将系统讲解AI Agent Harness Engineering的核心概念、Harness层的完整攻击面梳理方法、红队测试的标准化流程、可直接落地的分等级测试用例库,还有真实场景的实战演示和自动化测试方案。我们不会讲空洞的理论,所有内容都来自于数十个真实Agent项目的安全测试经验沉淀。AI Agent Harness(代理编排层)是连接大模型、工具、记忆、用户输入的核心控制层,负责接收用户
为这些领域构建的软件应用程序不能承受崩溃、数据损坏或系统故障,即使是小规模的,因为很多人的生活都会受到影响。这些软件中的错误可能会造成不可逆转的损害,并使公司面临诉讼风险。当需要人工的洞察力和判断力时,手动测试是合适的,而自动化测试更适合于进行细微调整的重复流程。蜂巢模型是一种现代的软件测试方法,其中集成测试是主要关注点,而单元测试(实现细节)和 UI 测试(集成)受到的关注较少。这些资料,对于做
本文介绍了一个基于Coze平台构建的自动化测试用例生成工作流方案。该工作流包含五个核心步骤:1)上传需求文档;2)使用LinkReaderPlugin读取文档内容;3)通过AI大模型解析文档并生成测试用例(需配置模型参数和提示词);4)用DocMaker插件将Markdown格式用例转为Excel;5)输出结果。文章重点说明了模型选择、提示词编写和格式转换等关键环节的配置要点,并建议通过调试模式优
总的来说,接口自动化测试可以提高测试效率、质量和覆盖率,减少测试成本和风险,同时提高团队的协作和工作效率。MeterSphere 是一站式的开源持续测试平台,遵循 GPL v3 开源许可协议,涵盖测试管理、接口测试、UI 测试和性能测试、团队协作等功能。在测试过程中,可能会存在接口之间的依赖关系和顺序问题,需要合理安排测试用例的执行顺序,确保测试的准确性和一致性。如果有失败的测试用例,需要进行排查
软件质量保障正经历一场深层次的变革。过去十年,测试自动化主要围绕“脚本执行”展开——测试工程师将手工用例翻译成自动化脚本,让机器按固定路径回放。这种方式虽解放了一部分人力,却依然脆弱:界面一变脚本就失效,需求一改用例便过时,缺陷定位仍高度依赖人工经验。今天,以大语言模型和智能体技术为核心的智能化质量保障体系,正在重构测试设计、执行、维护与分析的全链路,让“无人测试”从愿景走向落地。
随着大语言模型在软件工程领域的渗透,测试用例的创建方式正在被重塑。“用LLM生成测试用例”这一命题实际上包含了两个截然不同的方向:一是;二是。两种场景的理念、方法和关注点迥异,但都围绕着LLM的推理与生成能力展开。本文将对这两类场景的核心方法进行详细论述,并以具体实例加以说明,最后提炼工程落地中的最佳实践。
针对IMA架构带来的系统升级变革、DO-178C/GJB等标准对适航提出的更高要求、市场竞争对研发周期和成 本的挑战,凯云构建了“国产自主可控软件平台+国产硬件生态+仿真模型”三位一体的航空行业半实物仿真测试 解决方案。解决方案对标国外技术体系,具备全国产自主可控、高实时高保真的核心优势,全面覆盖航空电子系 统,支持快速原型验证、硬件在环测试、系统集成验证等多种测试场景,满足从单机设备、子系统到整
SimuCard可与工业现场硬件构架平台结合,运用特有的部分动态重配置技术,便捷地将MATLAB、 MWORKS生成的数学模型比特流文件部署到板卡的FPGA核心上,实现硬件在环强实时仿真。此外,借助仿真卡的 高速接口,搭配多种类型、资源丰富的扩展子板,可对模拟、数字、混合信号、光电信号等全类型、多协议信号的仿 真和解析,特别适用于电机驱动器、电机负载、机器人关节驱动等仿真应用场合,也可进行定制化设
总之,在确认覆盖需求的基础上,通过质量模型的特性进行思考补充,熟练使用质量模型过程实际是在对系统比较熟悉的基础上进行扩展补充,当然这个过程可以借助内部测试人员的讨论和评审补充会更加完善。这些资料,对于做【软件测试】的朋友来说应该是最全面最完整的备战仓库,这个仓库也陪伴我走过了最艰难的路程,希望也能帮助到你!凡事要趁早,特别是技术行业,一定要提升技术功底。
支持永磁同步、直流无刷、异步、步进等多类型电机,通过 Clark 变换、Park 变换等精准算法模型,实现电流、转速、位置的解耦控制。无论是高频负载波动的极端工况,还是缺相、传感器失效的故障场景,都能精准复现,避免风险遗漏。支持故障注入测试,验证传感器失效等场景下的容错能力,同时通过能耗优化测试,找到转速稳定性与能耗的最优平衡点,延长无人机续航。如今,凯云电机控制原型验证解决方案的出现,为这些行业
在AI 编程实战的第四个项目中: 我们搭建了一套全栈电商网站。该项目包含用户端商城和管理后台功能,覆盖前端页面、后端接口、数据库设计、业务逻辑全流程,是一个功能完整的电商网站,采用前后端分离架构开发。还记得,这个项目,在开发之初,我们给它的定位吗?我们需要一个贴近真实业务的完整实战项目,把它作为后续学习AI 智能体、AI 测试的专用演练靶场。
这篇文章提供了一套无需开发即可实现RAG(检索增强生成)效果的轻量级解决方案,主要面向测试工程师。方案分为三步:1)结构化整理测试文档作为知识库;2)通过直接粘贴、工具上传或固定Prompt前缀的方式将文档喂给AI;3)使用预设的提问模板(包括文档问答、用例生成、风险识别三类)获取稳定输出。该方案能快速生成测试用例、识别测试点,显著提升测试效率,建议从单个接口文档开始实践,逐步升级为半自动测试助手
【摘要】文章介绍了一款名为testcase-generator的AI工具,它能将需求文档自动转换为结构化Excel测试用例。该工具支持多种格式输入(txt/md/docx),通过五步流程自动完成需求解析、模块拆分、用例生成(覆盖边界值/异常场景等)、质量校验和Excel导出。其核心优势在于细粒度覆盖(不合并场景)、大文档分块处理能力和固定字段规范,尤其适合需要从庞杂需求中提取测试点的测试人员。
在知识星球里已经写了很多篇 AI 提效的文章,也搞了几次直播。但可能之前我都是预设所有人都是有一定基础的。所以没有从 0 开始讲解,这导致有些同学有点跟不上。所以这次我决定来一个从 0 开始系列。从最基础最基础的地方开始讲起。PS:这里再推销一下自己的星球,感兴趣的同学在知识星球中搜索:测试发开之路。在 Cursor 的 Agent 模式下,AI 的能力可以通过Skill(技能包)来扩展和规范化。
这篇指南提供了3个实用的AI Prompt模板,帮助测试工程师更高效地工作: 测试用例生成模板:要求AI基于需求生成覆盖正常/异常流程、边界条件的测试用例,包含输入、步骤、预期结果等结构化输出。 Bug分析模板:指导AI系统分析问题现象,提供可能原因排序、排查步骤建议,并定位问题层级(前端/后端等)。 日志分析模板:让AI从日志中识别异常、解释原因、评估严重性,并提供解决方案建议。 文章还分享了3
unittest会自动化识别test开头的函数是测试代码,如果你写的函数不是test开头,unittest是不会执行这个函数里面的脚本的,这个千万要记住,所有的测试函数都要test开头,记住是小写的哦。最后结尾处的unittest.main(),添加这个是支持在cmd,里面,cd到这个脚本文件所在的目录,然后python 脚本名.py执行,如果不添加这一段,是无法执行cmd里面运行脚本的,在PyC
选这类工具,核心看批量导入、结构化导出、克隆复制、共享步骤、跨项目迁移和需求缺陷追踪。禅道适合研发闭环;TestRail、qTest、PractiTest 适合系统化测试管理;Xray、Zephyr 适合 Jira 生态;Qase、Testmo 适合轻量与自动化融合;Azure DevOps Test Plans 适合微软生态;TestLink 适合开源自建。
基于Transformer架构,预训练+微调两阶段规模差异:百亿~万亿级参数 vs 百万~千万级能力差异:多任务(写作/编程/推理)vs 单一任务(分类/翻译)关键区别:零样本/少样本学习能力,输入空间无限大测试影响:输出是概率性的,断言方式完全不同Prompt是用户给模型的输入指令,决定了模型的输出方向同样的模型,不同的Prompt可能给出完全不同的答案测试Prompt就是验证:模型是否按预期理
本文介绍了如何在Windows系统上使用Docker部署开源大模型应用平台Dify,并构建测试用例生成助手。提供了详细的操作步骤和配置示例,展示了Dify平台快速构建企业级AI应用的能力,最终实现了一个能自动生成符合行业规范的测试用例助手,支持功能、边界、异常等多种测试场景。
提交后状态变为“审批中”。审批中可撤回,撤回后状态回到“草稿”。任一节点驳回后,状态变为“已驳回”。审批通过后的状态是什么?已通过;已完成;待付款;已付款;审批完成;流程结束。审批通过后流程结束。财务复审通过后状态变为已完成。这就是典型的状态机补全。AI 生成测试用例,真正危险的不是它写得少,而是它写得太像真的。很多错误不是离谱错误,而是“看起来非常合理”的错误。大额报销应该走多级审批;导出应该有
前几天,隔壁工位的老王跟我吐槽:“我干了八年功能测试,现在 AI 要来抢我饭碗了,我是不是该去送外卖了?我说:“别慌,AI 不是来抢你饭碗的——它是来帮你砸键盘的。想想看,测试工程师的日常是什么?打开浏览器 → 输入 URL → 点登录 → 填表单 → 点提交 → 检查结果重复以上步骤 200 遍每次版本更新,再来 200 遍眼睛看花了,手指点麻了,灵魂出窍了这种机械重复的工作,不交给 AI 简直
2026年测试行业深度观察:AI正在重塑测试方法论与实践 工具迭代揭示三大趋势: Playwright 1.60强化AI Agent操作能力,浏览器控制转向智能化基础设施 Selenium 5延迟反映行业重心转移,WebDriver BiDi成为新关注点 JMeter 6.0技术债升级与k6/Gatling形成差异化赛道 关键数据: 89%企业试点AI测试,仅15%实现规模化部署 移动端不稳定测试
《AI测试用例生成与评审实战指南》摘要(149字) 本文针对财政系统场景,系统化阐述AI测试用例生成方法论。核心观点:AI生成用例质量=智能体×提示词×模型×需求文档,提出"AI写初稿+人工审核"的分工模式。提供10个可直接套用的Prompt模板,覆盖接口测试、边界值、权限等场景。创新性提出Harness接口知识库方法论,实现机器可读的业务规则沉淀。重点介绍Skill驱动自动化流程,通过四步法训练
给予AI提示词,编写功能软件测试用例
【2026年AI测试工程师核心能力地图】随着AI技术快速发展,企业对AI测试工程师的要求已发生本质变化。本文提出6项核心能力体系:1. 基础门槛(前3项必会): Python编程:需掌握API调用、数据处理等实用技能 大模型理解:重点认知能力边界而非训练原理 Prompt工程:掌握7大核心技巧如角色设定、任务拆解等 关键差异点: Agent框架能力(核心):需精通LangGraph等框架搭建测试智
2025-2026年,大模型行业迎来"百万token上下文窗口"的军备竞赛,MiniMax、Meta等企业相继推出支持1M-10M长上下文的模型。然而技术突破背后隐藏三大核心矛盾:传统Transformer的O(n²)注意力复杂度导致算力需求暴增;KV缓存膨胀使显存成为瓶颈;实际应用中长文本性能呈现非线性衰减。评测显示,模型在"大海捞针"测试中表现优异,但在需要语义推理的NoLiMa基准上性能骤降
本文探讨了2026年AI领域数据检索技术的演进与选择困境,重点对比了向量数据库与知识图谱的优缺点及适用场景。文章指出,传统RAG架构面临关系断裂、上下文丢失等局限,而混合架构已成为企业级AI Agent记忆系统的社区标准。针对向量数据库,分析了嵌入式引擎、磁盘优先索引等最新技术趋势,并提供了主流产品的性能对比和安全风险提示。知识图谱部分则强调其多跳推理优势,特别是在金融反欺诈等复杂场景中的应用价值
他不是在写代码,而是在无休止地“评审”代码。每一次AI给出新的选项,他都觉得“下一个会更好”,于是不断迭代、比较、推翻、重来。最后,他提交的代码质量尚可,但时间已悄然流逝了。而旁边那位“资深”程序员,用了半小时写了个“不那么优雅”但能跑的版本,已经进入下一个任务了。
本文探讨了大模型智能体的工具使用能力评估方法,提出四维度评估框架:1)工具选择准确率(三层分级评分);2)参数准确性(含语义检查);3)错误恢复能力;4)调用效率。研究显示,工具选择准确率≥70%可保证任务完成,但准确率下降会导致Token消耗激增5.6倍、耗时增加5.7倍。文章提供了工具选择陷阱用例集、错误恢复测试矩阵等实用评估工具,强调"能用≠最优",需区分best/acc
本文介绍了如何系统化构建AI Agent的测试用例体系,提出了三层拆解法(能力域→能力项→能力点)和六维能力模型(任务规划、工具使用、多轮对话等)。以电商数据分析Agent为例,展示了190条测试用例的科学分配方法:任务规划(40条)、工具使用(30条)等核心能力占主导,安全测试单独设置145条攻击用例。文章包含真实用例模板和评分逻辑演示,并指导如何新增情绪识别用例。最后提供了完整的数据集验证信息
本文系统介绍了AI毕设论文中三线表的制作规范与应用方法。首先阐明三线表的核心规范(顶线1.5磅、栏目线0.75磅、底线1.5磅)及其在数据字典(4大核心列)和测试用例表(7大核心列)中的标准结构。针对Word手动制作提供了详细步骤,同时推荐了一款支持16种专业图表的智能绘图工具,可一键生成符合学术标准的三线表并导出高清图。文章强调规范性与效率并重,为毕业生提供从理论到实践的完整指导方案,有效解决论
开放架构BMS半实物HIL仿真系统基于研华高性能工业电脑和凯云SimuRTS软件,将真实BMS硬件接入高保真虚拟电池环境,构建“电芯-模组-电池包-整车”闭环测试链,提供桌面HIL和通用HIL,成为新能源汽车动力系统研发的安全基石与效率引擎。系统采用模块化、标准化设计,具备16+多核高性能实时机。支持多厂商设备无缝集成,提供仿真实时机、接口硬件、BMS模型、故障注入与测试工具等、显著缩短BMS研发
摘要:本文针对接口测试中的常见痛点提出解决方案:1)通过H/E/X/P/S分层用例解决接口测试优先级问题;2)采用spec中间层统一脚本风格,避免AI生成代码混乱;3)使用scenarios[]处理多步流程变量传递;4)自动生成缺陷报告模板;5)统一环境变量管理;6)保持功能用例与自动化编号一致。核心思路是通过规范化的中间层(spec)统一测试流程,减少重复劳动,提升团队协作效率。作者强调该方案不
本文介绍一个面向 Web 应用测试场景的多模态 AI Bug 定位 Agent。项目支持输入页面截图、操作录屏、前端日志、后端日志和源码片段,通过规则解析、证据融合、代码定位和大模型二次审查,自动生成结构化 Bug 报告、原因分析、可疑代码位置以及 pytest / Playwright 测试用例。相比单纯依赖日志或截图的分析方式,该项目更接近真实测试排查流程,能够把“页面现象、接口异常、运行日志
P0:核心必测功能(直接影响用户体验)P1:重要功能(部分场景依赖)P2:增强功能(非必需但需覆盖)
测试工程师,六年工作经验。入行那会儿是做功能测试,说白了就是"纯点点点"。后来觉得这条路走下去太窄,就开始自学Python,做自动化测试和性能测试。再后来参与公司测试平台的开发,顺带学了Vue2,算是前后端都沾了点边——但也只是沾边,不算精通。
还在熬夜手写 Excel 测试用例?项目文档堆成山,翻半天找不到重点?客服咨询接不过来,重复问题答到嘴瓢?别硬扛了!现在AI 智能体早就把这些重复活干明白了,关键是企业数据私有化、零代码上手
页面对象模型的简称2013 年,由 Martin Fowler提出了Page Object的观点作者的观点是一种封装思想,旨在为每个待测页面创建一个页面对象,从而将繁琐的定位操作、操作细节封装到这个页面对象中,对外只提供必要的操作接口,在调用的时候只调用提供的接口,不用去调用操作细节,最终实现程序的高内聚低耦合,使程序模块的可重用性、移植性大大增强在这种模式下,对于应用程序中的每个页面都应该有相应
AI编码正从代码生成转向AI测试驱动开发。TestCopilot让AI先生成测试标准,再写代码,自动执行测试、定位缺陷并修复,直至回归通过,形成质量闭环,使AI成为自主工程Agent。
一套基于 Django + Vue3 的测试用例管理平台,支持 AI 生成用例、XMind 脑图解析、项目与用例管理、审计日志等核心能力。一套基于 Django + Vue3 的测试用例管理平台,支持 AI 生成用例、XMind 脑图解析、项目与用例管理、审计日志等核心能力。一套基于 Django + Vue3 的测试用例管理平台,支持 AI 生成用例、XMind 脑图解析、项目与用例管理、审计日
本文介绍了一个医保规则反向测试系统,该系统采用约束求解技术自动生成边界测试用例,帮助医保管理部门识别规则执行中的模糊地带。系统支持五类高频飞检规则(如药品适应症限制、挂床检测等),通过CP-SAT求解器穷举临界值组合,输出HTML/CSV格式报告。采用Python技术栈实现命令行操作,无需代码编写,只需配置YAML规则文件即可生成合规/违规边界用例。系统聚焦规则执行的确定性验证,不涉及临床合理性判