从 2020 年：GPT-3（Generative Pre-trained Transformer 3）的发布，展示了大规模预训练模型在多种任务上的卓越性能。到现在的 GPT-4，互联网各个行业好像不和大模型，AI 沾点边就有点不好意思说出来。各种互联网大会，技术大会，质量保障大会几乎全是相关的话题。先不论做到了什么程度，取得了什么效果，只要能讲出个子丑寅卯，就感觉到非常高大上。作为测试同学，我们又能做些什么呢？

一，大模型相关产品测试

随着各个行业纷纷推出大模型相关产品，相应的测试工作也变得尤为重要。例如，大模型问答系统（如百度的文心一言、字节跳动的豆包、快手的 KwaiPilot 等），以及 AI 生成视频、图片等工具，都需要经过严格的测试以确保其性能和可靠性。

1. 基本功能测试

在大模型产品发布之前，必须进行大量测试以确保其基本功能的稳定性和有效性。具体来说，这些测试包括但不限于以下几个方面：

• 问答质量测试：评估模型对各种问题的回答质量，包括准确性、逻辑性和流畅度。
• 上下文理解测试：检查模型是否能够正确理解和处理多轮对话中的上下文信息。
• 有效性测试：验证模型是否能够有效回答各类问题，包括常见问题和边缘案例。
• 特定功能测试：针对不同产品的特有功能进行测试，确保其能够完成预期的任务。例如，对于 AI 生成视频和图片的工具，需要测试生成内容的质量、多样性和创意性。 此外，还可以探索和总结新的测试方案，以提高测试的效率和效果。例如，利用自动化测试工具和框架，或者借鉴其他领域的测试方法。

2. 测试工具的开发

由于大模型相关产品较为新颖，现有的测试方法和工具可能无法完全满足需求。因此，开发专门针对大模型的测试工具显得尤为重要。以下是一些可能的发展方向：

• 自动化测试工具：开发能够自动生成测试用例和评估结果的工具，提高测试的效率和覆盖率。
• 大模型互测：利用大模型本身来测试其他大模型，通过模型之间的交互和反馈，发现潜在的问题和改进点。
• 多模态测试：针对多模态大模型（如文本、图像、视频等），开发综合性的测试工具，确保各模态之间的协调性和一致性。
• 性能测试：评估大模型在不同负载下的性能表现，包括响应时间、资源消耗等指标。 通过这些努力，可以更好地保障大模型产品的质量和用户体验，推动大模型技术的进一步发展和应用。

二，大模型生成测试用例

在软件测试过程中，手工编写测试用例一直是一项耗时且质量参差不齐的任务。随着大模型技术的发展，许多公司开始探索利用大模型来提高测试用例编写的效率和质量。以下是常见的解决方案及其面临的挑战：

1，常见解决方案

• 需求解析与测试点提取：利用大模型深入理解需求文档，自动识别并提出关键测试点。
• 业务上下文分析：结合知识库，分析需求在具体业务场景中的上下文关系，确保测试用例的全面性和准确性。
• 用例生成：通过提示词或示例，自动生成与需求相关的功能测试用例。
• 用例审核与反馈：将生成的用例提交给测试人员或业务专家进行审核和反馈，确保用例的实用性和有效性。
• 多 Agent 验证：针对质量不高的用例，通过多 Agent 协作进行验证和优化，直至生成高质量的测试用例。
• 最终用例集生成：整合所有反馈和优化结果，生成最终的测试用例集。

2，面临的挑战

• 需求文档的规范性：大模型对需求的理解依赖于文档的规范性。如果需求文档表述不清或不完整，大模型也无法准确理解需求。
• 业务上下文的复杂性：对于复杂的业务场景，大模型可能难以全面理解需求的上下文关系，导致测试点的遗漏或误判。
• 生成用例的相关性：仅基于字面意思生成的用例可能缺乏针对性，需要业务人员进行大量筛选和优化，这可能导致投入产出比低下。

3，解决建议

• 提升需求文档质量：加强需求文档的编写规范，确保文档清晰、完整，便于大模型理解和解析。
• 增强业务上下文分析：结合领域专家的知识和经验，补充大模型在业务上下文理解上的不足。
• 优化用例生成算法：改进大模型的生成算法，提高生成用例的相关性和针对性，减少无效用例的数量。
• 建立反馈机制：建立高效的反馈机制，及时收集测试人员和业务专家的意见，不断优化生成的用例。 通过以上措施，可以有效提高大模型生成测试用例的质量和效率，从而提升整体测试工作的效果。

三，接口自动化用例的生成

在自动化测试领域，接口自动化用例的自动生成具有最高的投入产出比。

1，为什么要生成接口自动化？

大多数公司都拥有详细的接口文档，其中包含接口地址、参数、返回数据等信息。通过将这些信息传递给大模型，可以生成相应的接口自动化测试用例，包括输入数据和输出断言。经过数据处理，这些用例可以转换为特定框架下的测试用例，或者直接导入到接口自动化平台，生成具体的测试用例。

2，如何自动生成接口自动化用例？

为了确保生成的用例具有高可用性，建议采取以下措施：

• 构建业务知识库：创建一个包含业务需求文档、技术文档以及现有用例数据的知识库。在生成用例时，可以参考这些资料，确保用例的准确性和全面性。
• 利用线上流量数据：将相应接口的线上流量数据作为输入，或者将其纳入知识库中。这有助于细化接口参数和返回值断言，提高用例的针对性和实用性。
• 提供接口调用链路数据：将接口的调用链路数据或接口代码传递给大模型，以便更全面地测试相关功能，确保用例覆盖所有关键路径。
• 执行生成的用例：将生成的用例通过接口自动化框架或平台进行执行。如果生成的用例执行失败，可以通过多 Agent 反馈机制进行重新生成和优化。
• 评估和优化用例：结合覆盖率和自动化测试结果分析，评估生成的用例质量。根据评估结果，进一步生成或优化用例，确保其高效性和可靠性。 通过上述措施，可以显著提高接口自动化用例的生成质量和效率，从而提升整体测试工作的效果。 在真正在业务场景中，可以配合精准测试，在提测试的时候，自动进行链路分析，分析出本次需求改动的接口。调用接口自动化平台，自动生成接口自动化用例，多 Agent 反馈优化后，执行自动化用例集，生成覆盖率报告，分析自动化测试的接口，进行需求提测的卡口工作。当然，你也可以结合自己的业务，进行更加灵活的运用。

四，UI 自动化用例生成

1， UI 自动化测试面临的挑战与解决方案

UI 自动化测试因其高昂的维护成本和较低的通过率，长期以来一直是业务团队的痛点。早期尝试的各种录制回放方法，如 Selenium IDE、SoloPI 和 Airtest，虽然提供了一定的便利性，但由于被测试对象的变化频繁，图像识别的效率和准确性不足，这些方法的效果并不理想。随着端上技术的不断进步，UI 自动化测试的实施变得更加复杂。

• 前端框架的引入：
• 现代前端框架（如 Vue、React）和移动端框架（如 Flutter）的广泛应用，使得早期依赖元素属性进行定位的方法不再可靠。
• 多平台兼容性：
• Web 端需要支持多种操作系统（Windows、macOS）和不同浏览器，移动端则面临不同手机厂商的操作系统和屏幕尺寸差异，这使得自动化兼容测试变得更加困难。
• 快速迭代的业务需求：
• 业务变化迅速，需求迭代频繁，产品大改版也越来越常见，导致 UI 自动化测试的投入产出比相对较低。

2，大模型助力 UI 自动化测试

在大模型的支持下，UI 自动化测试可以实现更高效、更智能的实施：

• 提速图像识别：
• 大模型在图像识别方面远超传统 OCR 技术，结合知识库的应用，能够更快、更准确地识别特定的产品元素。
• 模块化规划用例：
• 对于组件化开发的产品，可以针对每个组件编写并存储测试用例；对于非组件化开发的产品，可以根据业务逻辑拆分相关页面，形成模块化的测试用例集。
• 业务场景识别：
• 利用大模型识别新需求相关的页面及其组件和模块，自动生成相应的测试用例，形成完整的测试用例集。
• 功能遍历测试：
• 通过调用链路分析，创建被测对象的 App 地图和功能地图，保存遍历路径，按图对 App 进行全面的遍历测试。
• 智能分析测试结果：
• 调用大模型对生成的测试用例集执行结果进行分析，识别用例失败的原因，并提出补充用例的建议。同时，根据测试覆盖率报告，分析未覆盖的代码部分，推荐补充的测试用例。 通过以上措施，大模型不仅能够提升 UI 自动化测试的效率和准确性，还能显著降低维护成本，提高测试的投入产出比。

五，总结

以上是当下在测试行业炒得比较火的大模型应用方面，可以从各个互联网技术大会上看到，至于在公司用的怎么样，那就要看各自的实施力度了。当然也有在公司原来的平台，保障体系中，加入大模型的能力，进行风险识别，问题分析，故障智能处理等等。大模型的能力越来越强，各个大佬可以根据自己的工作需要，将大模型能力引入，让自己的工作如虎添翼！