- 综合排序
- 最热优先
- 最新优先
- 来自专栏CODING DevOps
测试工程师如何使用 CODING 进行测试管理
[a58297b1-d79d-47ce-ba9b-b976d5ed4eb5.png] --- 什么是测试管理 软件开发项目中的一项关键工作就是测试，通过创建和执行测试并管理测试结果，从而制定高效的开发决策 除了直接创建测试用例以外，CODING 的测试管理模块还支持从 Excel 和 TestLink 直接导入用例库，同时也支持从用例库直接导出 CSV 文件，方便测试工程师进行数据迁移。 [5835bed0-6c85-4a6c-bec5-1185fb3435a3.png] 页面左侧展示所有测试计划列表，右侧展示选中测试计划的测试任务列表。 点击上方 + 号按钮，弹出创建测试计划窗口。 [3af90d1d-4485-45a5-95a7-cb344f5f8817.png] 创建测试计划依次操作如下： 输入测试计划标题； 输入描述信息； 选择是否包含全部用例：若选择包含全部用例，则项目下所有用例都将成为当前测试计划下的测试任务 --- 生成测试报告 CODING 测试管理可自动生成定制化的大师级测试报告，涵盖了测试结论、图表、工作分布、耗时等关键信息。
1.6K30发布于 2019-06-24 - 来自专栏CODING DevOps
测试工程师如何使用 CODING 进行测试管理
使用 CODING 进行测试管理视频演示： 测试人员权限设置 随着数字化转型浪潮的开始，越来越多的企业开始使用信息化的管理系统取代传统办公工具。 测试人员默认权限： 创建测试用例 在进入 CODING 的测试管理模块后，即可开始创建测试用例。 除了直接创建测试用例以外，CODING 的测试管理模块还支持从 Excel 和 TestLink 直接导入用例库，同时也支持从用例库直接导出 CSV 文件，方便测试工程师进行数据迁移。 创建测试计划 在项目首页点击测试计划图标进入测试计划列表页。CODING 测试管理中的测试计划可以与迭代管理相关联，方便项目负责人进行全局统筹。 生成测试报告 CODING 测试管理可自动生成定制化的大师级测试报告，涵盖了测试结论、图表、工作分布、耗时等关键信息。
1.7K30发布于 2019-09-16 Coding Day 5
步骤5：记录全局最大值（找最长回文）在遍历过程中，我们还要不断记录：哪个位置i的回文半径p[i]最大对应的最长回文长度是p[i]中心位置是i四、映射原理（核心解释）1.T中的字符与原字符串S的字符有固定的对应关系观察预处理后的字符串 效率高，适合大多数情况Manacher算法O(n)O(n)✅最推荐线性时间，最优解，适合大规模数据3.阿里云学习大模型Clouder认证：基于百炼平台构建智能体应用跟着教程完成在阿里云的框架web上添加了ai
24710编辑于 2026-01-26To Run or Not to Run：AI Coding 不是多跑测试就更可靠
在很多 AI Coding 方案里，验证闭环几乎被默认等同于“让 Agent 跑测试”。 Agent 生成补丁后，执行单测，读取报错，继续修改，直到测试通过。 这个流程很像人类工程师的调试过程，也很容易被当成更高自动化等级的必要路径。 这个范式符合工程师的工作直觉。人写代码也不是一次写完就合入，而是边写边跑，边看错误，边修。 更现实的做法，是在 AI Coding 试点 PR 里补齐三类信息：本次变更意图、影响范围、验证证据。 这三类信息连起来以后，执行测试才不是盲跑。 对 AI Coding 来说，下一步要补的也不只是更强的执行工具，还包括更清楚的验证策略、更可解释的证据链，以及更适合企业研发流程的门禁设计。
24500编辑于 2026-07-08- 来自专栏霍格沃兹测试开发学社
AI Coding 质量治理：工程规范、代码评审与风险驱动测试
该系统从2025年6月不足5万行代码，逐渐增长到约31万行。团队超过90%的代码由AI辅助编写，平均每月还需要完成约16个需求。业务快速增长的同时，系统逐渐出现了几个典型问题。 因此，更合理的分工是由工程师确定排查重点，AI扩大代码分析范围，再通过实际证据确认问题。对于测试开发工程师，这些分析结果同样具有价值。 更适合复杂系统的方式，是以业务风险为依据，由工程师确定测试范围与重点，再让AI完成代码分析、测试组合和步骤生成。1.测试范围识别：确定哪些接口受到影响首先根据代码变更和运行数据识别候选影响范围。 5.覆盖矩阵：检查哪些风险尚未验证最后，将受影响接口与测试维度建立对应关系。 对于测试开发工程师来说，AICoding带来的工作变化不仅体现在测试脚本生成上。代码变更影响分析、风险驱动测试、AI辅助评审、自动化质量门禁和测试有效性评估，都会成为值得持续建设的工程能力。
35110编辑于 2026-10-09 - 来自专栏啄木鸟软件测试
全栈软件测试工程师宝典连载（5）
2.3.1 探索式测试 探索式测试在第1.2.2节提到，它是提高软件测试分析和设计的非常重要的手段之一。 正如第2.1节所述，软件测试分析和设计的重要目的是发现软件缺陷，目前自动化测试的主要目的还是在回归测试上，回归测试的主要目的是：产品加入了新的模块，修改了一批缺陷或者重构后是否会对以前测试通过的测试用例造成影响 探索式测试是集测试分析、测试设计、测试执行于一体的测试方法，采用精益的方法，阶段性进行，每次测试完毕需要进行总结，从而进行下一轮的测试活动，见图1-11所示。 如果企业有没有实行探索式测试，建议你能够每天拿出半到一个小时对你现在的产品进行探索式测试，对于提高你的测试和分析水平是非常有必要的。 在第6.2.1-4节讨论自动化测试的时候还将提及这个概念。 本章没有专门讲软件测试分析和设计的具体方法，而是给了大家一些思路。比软件测试知识更重要的是软件测试思想。
57940发布于 2021-01-18 AI软件工程：从vibe Coding 到 Spec Coding
每位老师的分享都充满着自己对AI时代软件工程的思考。从中，我们可以看到未来的可能，也可以看到当下的方向。在6位讲师的授权下，我们将当天每位老师的分享PPT做了汇总。大家赶紧点击链接下载保存收藏！ k=AJEAIQdfAAof5YvVAg
33520编辑于 2026-03-23A Network Panel for AI Coding Agents
AI coding agents are becoming more capable very quickly. In other words, AI coding agents need observability.Why Normal Proxy Tools Are Not Always Enough My Many AI coding agents are Node.js or native applications, and they do not always respect HTTP_PROXY or ccglass is an open-source local logging reverse proxy and web dashboard for AI coding agents. It gives the developer a network panel for AI coding agents.Supported Clients and Providers ccglass
25800编辑于 2026-06-16- 来自专栏宜达数字
测试工程师测试工程师
测试工作 常有功能测试、接口测试、UI自动化测试、性能测试、安全测试等。 功能测试是其他测试工作的基础，是培养测试用例设计能力和建立测试思维的关键阶段。 自动化测试主要包括接口自动化测试和UI自动化测试 性能测试主要指：用户访问量越大、数据量越多，软件产品的响应速度性能测试常用的工具有JMeter和Loadrunner。 安全测试是测试中的一个专项测试，一般都是有专门的安全测试人员进行测试,暴力破解、越权漏洞、命令注入、SQL注入、XSS、CSRF. 测试工程师路线 基础 作为一名测试人员肯定要了解计算机相关概念，基础的测试理论，以及前端的HTML、CSS、JS的语法规范用法等。 ；测试计划，测试方案，测试报告。
76020编辑于 2021-12-07 - 来自专栏测试开发技术
测试工程师的AI 技能库：推荐5个让你效率翻倍的Skills
在 AI 全面赋能测试的今天，测试工程师的竞争力，早已不再是"会用多少工具"，而是"能否合理运用AI赋能提效到自己的工作中"。 Agent Skill 的本质，是把测试工程师的工程经验、规范、流程封装成 AI 可以理解并复用的能力包，让 AI 在每一次生成、每一次校验时，都严格遵循你的标准。 • 测试工程师 / 测试开发：想系统化提升自动化落地效率 • 功能测试转自动化：代码基础薄弱，希望低门槛落地 • 测试负责人 / Leader：想为团队建立统一的自动化规范与资产 • AI 测试实践者： AI 进化社」中。 目前「AI 进化社」中已经有非常多的 AI 项目实战、AI 测试实战保姆级教程（图文教程、视频教程）。 写在最后 回到开头的问题：测试工程师的竞争力，到底是什么？ • 没有规范，AI 生成的脚本只是"一次性代码" • 不懂框架，拿到脚本也无法维护 • 不持续迭代，永远停留在"Demo 阶段" AI 不是替代测试工程师，而是将我们从重复的体力劳动中解放出来——让 AI
1.2K21编辑于 2026-06-30 - 来自专栏腾讯云TVP
莱特兄弟与AI Coding
AI Coding是什么？ 这种“空中修发动机”的模式，在简单场景可行，在复杂系统中会指数级放大风险，而且，最终测试成为了AI Coding的最大瓶颈。 建议：建立 AI 代码的离线仿真测试体系 依赖注入式沙箱：AI 生成的代码在被合并之前，必须在一个模拟真实环境的沙箱中运行，接受故障注入、并发压力、依赖异常等测试。 建议：建立 AI Coding 的系统工程能力 设立“AI 代码集成工程师”角色：在组织中，由专人负责 AI 生成代码的集成规范、测试策略、审计流程——类似于航空公司的放行工程师。 建议：催生 AI Coding 的“无人机生态” 定义 Agent 协作协议：让专注代码生成的 AI、专注测试的 AI、专注部署的 AI 可以像可互换的部件一样协同工作。
36210编辑于 2026-04-28 我的AI Coding 流程
看架构师群里，大家讨论AI Coding 的问题，就我个人使用效果是非常好的，我0代码开发了2个半项目了，当然都是万行左右的单体服务，不算复杂大项目，简单总结一下我的使用流程吧；1、需求对齐与需求文档生成在 AI Coding的初始阶段，我会优先与AI进行全面、细致的需求同步，这是整个开发流程的基础，也是确保后续工作不偏离方向的关键。 我会与AI充分沟通，结合前期的需求文档和业务流程，分析该需求的技术难点、性能要求、可扩展性需求，进而确定合适的技术标准——包括编码规范、接口标准、测试标准、部署标准等；同时，与AI探讨各类中间件的适用性 总结当前AI Coding 是很难完成复杂项目的，个人认为最好的方式就是，让人来完成复杂项目拆解，让AI去完成拆解后的相对简单一些的指定任务，现在大量公众号在宣传“许愿式”开发，感觉是太高估AI了，AI Coding 可能还是长期会停留在实习生阶段，想想公司是怎么用实习生的，就怎么用AI，一个架构师带5个实习生是能干点“高级”事儿的，但是如果让10个实习生去干正经事儿，经常会干的一塌糊涂。
1.2K20编辑于 2026-02-06- 来自专栏老张的求知思考世界
AI测试工程师，需要具备哪些技能？
从软件测试角度出发，则是找到尽可能贴近标准化场景，或者更易于标准化的场景，然后落地AI，比如：监控巡检、code diff、测试数据生成、测试脚本生成。 那么，该如何具备这些能力，转型为一名AI测试工程师呢？ 首先，在日常工作中落地AI，应该对AI相关的基础理论和技术原理有一定的了解。 比如：测试用例生成、测试数据对比、代码审查和评审、性能问题识别分析、AI驱动的自动化测试等场景。 先从局部开始，拿到结果和正向反馈，然后进一步扩大覆盖范围，最终达成AI TestOPS的目标。 从需求管理、项目管理，到测试用例、故障案例库沉淀，AI知识库都是AI深度融入工作场景的必经之路。 最后，则是基于轻量的技术项目和AI知识库，打造属于我们的AI测试平台。 通过已经落地实践的智能测试用例生成和测试数据对比等能力，结合AI知识库，再叠加工作流驱动的AI智能体能力，可以达成AI驱动的全链路测试覆盖，让测试团队具备AI TestOPS能力。
1.1K10编辑于 2025-10-10 - 来自专栏CODING DevOps
CodeGeeX Coding With AI Hackathon 正式启动
2023 CodeGeeX 黑客松以「Coding with AI」为主题，由清华大学联合智谱AI大模型团队、腾讯云Cloudstudio.net和DoraHack赞助举办，此次黑客松设立多条赛道，设立丰厚大奖 赛题要求： 解决问题，并通过合理的测试，readme等介绍，完成find bug的要求，并达到赛事预期效果。需包括 demo 演示，以及可正常运行的代码。 CloudStudio.net代码提交作品： 参赛者通过链接，打开开发空间，空间内置了赛事的参赛标准和作品项目的上传格式; 参赛者可以直接基于CloudStudio WebIDE进行编码; 参赛者通过仓库插件推送作品代码到 CODING 我们将为所有参赛人员提供： 1.CodeGeeX源代码； 2.CodeGeeX的模型权重； 3.CodeGeeX在 VS Code 和 jetbrains 上的插件； 4.免费访问API的权限； 5.如果需要 否则将取消参赛资格; 3.每一位参赛者可以参与多个赛道，同时在一个赛道中也可以提交多个不同的项目； 4.参赛者承诺提交的项目不违反相关法律法规，不侵犯任何第三方的知识产权或其他权利，否则将取消参赛资格； 5.
1.4K30编辑于 2022-12-31 - 来自专栏AI测试
继 Vibe Coding 之后，Vibe Testing 又是什么？对测试工程师意味着什么？
—云端AI测试平台，智能测试生成与自愈能力Mabl—低代码AI测试平台，自动探索应用并生成测试⚠️但我必须说句实话：VibeTesting不是银弹。 2测试AI生成用例的稳定性同一个需求跑了5次，用VibeTesting让AI去"感觉"这5次输出是否整体一致，比精确对比简单很多。 VibeTesting的测试脚本本质上是AI生成的，产品逻辑变化时，那套测试逻辑也需要同步更新。04｜对测试工程师意味着什么？会取代我们吗？ 这是最核心的问题，直接说结论：VibeTesting不会取代测试工程师，但它会重新定义你的工作方式。 测试工程师的角色在进化未来一个优秀的测试工程师，可能更像一个"AI测试策展人"——知道什么时候该用VibeTesting，什么时候必须用精确验证，如何评估AI生成测试的质量。
36610编辑于 2026-04-25 Strix：让 AI Agent 当渗透测试工程师
Strix：让AIAgent当渗透测试工程师Strix是一个开源的AI渗透测试工具。它像真实黑客一样动态运行你的代码、发现漏洞、用可执行的PoC验证漏洞——不是传统扫描器那种一抓一大把的误报。 定位很明确：给开发者和安全团队一个快速、准确的自动化安全测试方案。一、和传统扫描器的区别：验证，不是猜测传统漏洞扫描器的问题：跑一遍规则，报一堆疑似问题，大部分是误报。安全工程师要花大量时间人工确认。 /app-directory跑完后：每个验证过的漏洞带PoC和复现步骤一键生成AI安全补丁，直接提交为PR生成合规报告（SOC2ISO27001PCIDSS）CI/CD集成：GitHubActions每个 它把渗透测试从「几周的人工项目」变成「几小时带PoC的自动化流程」。合规提示：Strix会主动测试目标系统。只对你有所有权或有明确书面授权的目标使用，且保持在授权范围内。 未授权测试在大多数司法辖区违法。
59310编辑于 2026-08-24AI Coding 4条铁律
AI Coding 时代, 程序员最该掌握的4条铁律 进入 AI coding 时代, 似乎人人都可以编程了, 但为什么还有人说 AI coding 不行呢? /s/nU7nwqgsKVgbJgqUXmJr2g AI Coding 时代，程序员最该掌握的 4 条铁律 ——来自15年经验的忠告 你是否也这样？ 让AI写代码，它给你200行，你实际只需要50行。 让AI重构，它把隔壁没问题的代码也改了。 让AI修bug，它越修越多…… 不是AI不行，是你没给它定规矩。 铁律一：先想清楚，再动手 "别猜。 没要的功能，别加 一次性用的代码，别抽象 不可能的错误，别处理 200行能解决，别写成300行 问问自己：资深工程师会觉得这太复杂吗？ 如果答案是yes，删。 铁律四：目标驱动，闭环验证 "说清楚啥算完成，别只说'让它能跑'" 好的任务描述： ❌ "修bug" ✅ "写个测试复现问题，然后让它通过" 复杂任务，分步骤，每个步骤有验证： 1.
27410编辑于 2026-07-10- 来自专栏AI Agent / 编码工具
AI coding别让模型自己判“通过”，让测试决定它能不能继续
模型说“我只改了测试”，和系统证明“它只改了测试”，是两件不同的事。 五、路由规则：测试失败不等于立即修，测试通过也不等于立即合并上面这条图最容易被写错的地方，是把路由简化为：测试通过就结束，测试失败就回到实现。这样确实能跑，但会埋下很多现实问题。 测试失败可能来自至少四类原因：实现错误、测试环境错误、测试本身过期、任务契约缺失。只有第一类适合自动修复。第二类需要环境恢复或重试；第三类需要测试所有者确认；第四类应直接升级需求澄清。 同样，测试通过也有至少三种含义：实现正确；测试覆盖不够；Agent改错了地方但没有触发已有测试。Review节点存在的意义，就是把“绿灯”放回任务契约和变更范围中解释。 至少应该测试以下几类行为：测试通过且review为accept时，图必须进入human_merge，不能再次调用实现节点。
37064编辑于 2026-07-19 - 来自专栏算法channel
铁粉巨献：我是如何从coding菜鸟，走向科大讯飞AI工程师的
：步入 AI 的大门。 一面的时候，问了一些技术上的问题，感觉面试很水，也没问啥技术性问题，就问了问我做了什么项目，我巴拉巴拉，扯了一些，然后他顿了一些，其实我们是招一些做测试和安卓开发的人的，你愿意做测试吗？ 总算是摸到了 ai 的大门，实习也有着落了。作为一个菜鸟，希望想要入行的童鞋们比我更幸运。 我经常会想着，这个行业，到底要求我什么？为什么都不给面试机会？ 在此感谢微信公共号的各位，《算法channel》、《机器学习算法与自然语言处理》、《机器学习算法工程师》，也算是学习过程中的一种陪伴，没事我就经常刷刷，如果你也关注的话，希望能都点进去，点个赞啥的，这是对他们的一种鼓励与认可 以上就是我从一个coding菜鸟上升到机器学习菜鸟的经历，虽然不知道选择这个方向对不对，但是只要你站到风口就会进步不是吗？
1K40发布于 2018-06-04 CloudBase AI Coding 测试与实践：多智能编程助手的效率与体验对比
开发运维一体化： 全程使用 CloudBase AI Coding（IDE + CLI）进行开发、测试和部署，体验 AI 驱动的云原生开发新范式。 3. AI Coding 表现： AI Coding 迅速生成了完整的、包含 API 调用、参数构造和错误处理的 Node.js 代码片段。 功能点二：智能生成单元测试 场景： “任务提取”函数逻辑复杂，需要编写单元测试确保其在各种文本输入下的稳定性。 实现方式： 在函数文件上右键，选择“AI Coding: 生成单元测试”。 AI Coding 表现： AI 自动分析函数签名和内部逻辑，生成了包含正常情况、异常情况（如输入为空）和边界情况的完整 jest 测试用例模板。 解决的问题： 克服测试编写惰性： 自动化生成测试框架，让开发者更愿意投入时间完善测试，从而保障了项目质量。 提升测试覆盖率： AI 能够考虑到一些开发者容易忽略的边缘测试场景。
1.5K10编辑于 2025-08-29
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号