结论：AI 适合生成测试用例初稿和补充，不适合直接替代测试设计和最终风险判断。

如果把 AI 放在合适的位置，它能提高效率；如果把它当成最终方案，很容易生成一批 “看起来完整，但不贴业务” 的用例。

适合场景

1. 规则明确的功能

例如：

• 登录注册
• 表单校验
• 权限判断
• 查询、筛选、排序
• 优惠券使用
• 订单状态流转

这类功能的特点是：输入、分支和预期结果相对清楚。

推荐提示词：

请根据以下需求生成测试用例，先列业务规则，再按正常场景、异常场景、边界场景输出。

2. 旧用例整理

AI 适合做第一轮清洗：

• 合并重复用例
• 补充前置条件
• 按模块重新分组
• 找出缺少预期结果的用例
• 根据新需求标出可能需要新增的场景

这类工作可以节省整理时间，但最终是否保留仍需人工判断。

3. 边界场景补充

在已有用例基础上，可以让 AI 从多个维度补边界：

• 数值边界
• 时间边界
• 权限边界
• 库存边界
• 状态切换
• 金额组成

推荐提示词：

请基于已有测试用例，从时间、权限、库存、金额组成、状态切换维度补充可能遗漏的边界场景。

谨慎场景

以下场景可以用 AI，但必须人工重审：

• 支付
• 退款
• 账务
• 风控
• 会员等级
• 积分
• 多端同步
• 跨系统链路

原因是这些功能的关键规则往往不只在需求文档里，还可能来自：

• 历史缺陷
• 线上事故
• 运营配置
• 老接口逻辑
• 灰度策略
• 客服反馈

如果不给 AI 这些背景，它生成的用例可能很标准，但不适合当前项目。

不建议直接交给 AI 的场景

1. 探索性测试

探索性测试的重点不是提前列全用例，而是边观察、边怀疑、边调整方向。

AI 可以提供探索清单，但不能替代现场判断。

2. 测试优先级最终判断

比如：

• 哪些用例必须进入 P0
• 哪些风险本轮可以接受
• 哪些场景可以延期
• 哪些模块需要重点回归

AI 可以给排序建议，但最终优先级需要结合项目背景、近期改动、线上事故和业务影响。

3. 高风险上线决策

AI 不应该承担上线风险判断。它可以帮助整理信息，但不能替代负责人做决策。

推荐工作流

需求/旧用例
  -> AI 提取规则或整理初稿
  -> AI 补充正常/异常/边界场景
  -> 人工审查业务规则、状态、边界、风险
  -> 人工确定优先级和执行范围

这个流程里，AI 的位置是 “初稿助理”，不是 “最终评审人”。

判断表

适合让 AI 先写：

• 规则明确的功能
• 表单、权限、查询筛选
• 常规正反向场景
• 边界值补充
• 旧用例整理

可以用，但必须人工重审：

• 支付、退款、订单
• 会员、优惠、积分
• 多状态流转
• 跨系统链路
• 有历史包袱的老功能

不建议直接交给 AI：

• 探索性测试
• 测试优先级最终判断
• 高风险上线决策
• 依赖大量项目背景的场景

一句话总结：AI 写初稿，人做判断。