你说的这个三点很好，都算是一些优化的方向，但是你还可以进一步的想一想，你为什么要做这些优化，它们能给你、你的团队、你的产品质量带来什么？你能量化它们吗？想明白了，就做，大佬们都不了解你的上下文，所以给你的建议都是瞎说的。

保证每个页面都被点击一次，这确实是一个很理想化的需求，monkey 这个工具肯定是达不到的。你的把关于 “每个” 的定义告诉你的 test driver 才行。

你的问题是什么？能具体点吗？

简单点儿，原因就一种：某一个（些）人犯了错误，以程序的形式写进了产品以及运行的环境里了。

什么样的软件测试点，什么样的测试用例，决定了你的比例。比较好奇，你要保持算一个比例的动机又是什么呢？

找一个初级测试员，剩下的钱花在大模型给建议的智能体上啊：）

多谢站长捧场，多提意见：）

百度起了个大早，赶了个晚集

多谢你的反馈。不过要强调一下的是这个智能体是一个探索性测试的辅助工具，源源不断的给测试执行人员提供测试建议和启发的，覆盖率、遍历成本、效果、复杂场景，这些都是使用者来考虑的。就像我在背景里说的，它是解决思维定式问题，而不是提供自动化测试解决方案的。

槽神还是一如既往的犀利啊

躯体说一下什么不靠谱哈？

槽神？老面孔了啊

白名单已经设置好了，欢迎转载或者提意见，文章在这里：https://mp.weixin.qq.com/s/YXdVex6pprKPcZcMDX_-lA

这个要自己去找了，我不方便分享哈。抱歉

欢迎批评指正

大模型在区分所谓 自动弹窗 vs 期望弹窗 上真的会很优秀？准确率和召回率你有数据吗？只是 run 了几个例子，还是要不停地尝试啊

有道理！

目前的大语言模型还是主打一个缩小从自然语言=>计算机语言模型的 Gap 上，提效提的是你建模的时间成本。关键问题是建好的模型是否真的可执行和错误 Free，这不单单取决于大模型本身的能力，也取决于你给的 prompt 的能力。此外，目前大中型企业的内部知识还没有对接到 “通用” 语言模型的训练结果中，大模型的泛化能力最终不一定直接生成符合内部知识和需求的生产力，这种 Gap 是通用人工智能所无法解决的，你的去训练它，让他具备你的领域知识。所以总结一下，你如何使用大语言模型决定了生产力提升的高度。

你为啥要转行啊？

多谢支持，期待早日搞定

多谢支持，希望能够如愿

多谢！不过为啥要考虑转行呢？测试能做的事情非常多的，看看我上面的书目，每个方向做下去都是专家

50% 咋来的？

为啥在国企，你总有理由吧？这个是不是技术性问题