先抛砖引玉下，我们团队今年在 AI 方面主要的实践方向、挑战和基本成果如下：
1.功能用例生成
方案：基于产品需求和 prompt 生成功能用例（相关功能已集成到用例管理平台）
困难：
1).需求本身的质量（一句话需求、碎片化需求）
2).PRD 文档形式各异（原型图中标注、简单的截图标注等，需要 QA 人为转换为文本才能生成用例）
效果：
1).相对通用的需求（业务领域相关性弱），用例生成质量尚可
2).整体收益看鉴于需求本身的质量、即便提供了业务知识库的情况，效率和效果也谈不上有提升

2.接口自动化用例生成
方案：基于接口文档 + 接口框架知识库 +prompt 示例
效果：
1）接口文档规范性足够好的话，仿写的效果还是可以的
2）整体收益看，在有大量接口需要生成用例模版的背景下，效率上还是有所提升的
困难：
1.生成的用例数据部分仍需要手工替换（对于业务数据的依赖，这点 AI 似乎无能为力）

3.代码扫描
方案：针对历史线上问题，梳理出研发易犯错的代码问题，形成检查规则（同时会搭配开源扫描工具使用），集成到流水线结合代码 DIFF 和大模型对代码进行 check
效果：
1）.成本低，收益还是可以的（目前主要应用在 C++ 项目上）
困难：
1）.增量代码往往缺少上下文，会导致出现漏检的情况
2）.生成的报告每次需要人工 check 排除干扰

4.测试报告生成
方案：
1）.重点让 AI 基于 BUG 数据进行数据分析，给出风险提示和分析结果
效果：
1）.由于给 AI 提供的信息有限，生成的结论比较泛，仍需要加入人为的分析结论

5.其它还有 AI 需求分析、需求评审、数据库表设计评审等