- 综合排序
- 最热优先
- 最新优先
- 来自专栏测试开发社区
【AI测试】也许这有你想知道的人工智能 (AI) 测试--开篇
人工智能测试 什么是人工智能，人工智能是怎么测试的。可能是大家一开始最想了解的。 ? 大家看图中关于人工智能的定义。 很多人测试的同学会问，那人工智能是怎么测试的？其实这个问题本身问的不太对。 举个例子，把 人工智能 比做 水果。如果有人问你 “水果是怎么吃的”，你可能不知道怎么回答。 系统测试主要包括以下三个方面： 1、项目的整体业务流程 2、真实用户的使用场景 3、数据的流动与正确 4. 接口测试 接口测试是测试系统组件间接口的一种测试。 竞品对比测试 如果有涉及时，可针对做竞品对比测试，清楚优势和劣势。比如AI智能音箱产品。 9. (西瓜书中描述 常见的做法是将大约 2/3 ~ 4/5 的样本数据用于训练，剩余样本用于测试） 或者 6：2 : 2 训练数据，验证数据和测试数据。
1.2K20发布于 2019-09-25 - 来自专栏DevOps时代的专栏
腾讯自动化测试的 AI 智能
引子： 本文是林奕在腾讯 DevDays 2018 分享内容的脱敏整理，介绍了 CSIG 测试开发中心（前 SNG 测试开发中心）在自动化测试领域所做的智能化尝试。 ? 大致分成下面几部分： 使用 AI 面对和解决的问题是什么 AI 带来的曙光 使用了哪些技术，效果是怎么样的 未来展望 UI自动化测试的问题 从业务角度看自动化测试，看到的东西仅仅是冰山浮在水面上的一小部分 AI带来的曙光 QTA所做的AI尝试 QTA是在SNG跑了很多年的自动化测试平台，已经接入了170个活跃的公司产品和项目。 QTAMetis 就是为了解决控件识别和定位技术这一关键难题，而引入AI优化能力。 ? （传统自动化测试识别和定位） ? （Metis AI自动化测试识别和定位） 应用成熟的目标检测技术，可以看到 Metis 已经成功的把对象定位出来。
1.6K20发布于 2018-10-25 - 来自专栏腾讯大讲堂的专栏
腾讯自动化测试的AI智能
引子： 本文是林奕在腾讯 DevDays 2018 分享内容的脱敏整理，介绍了 CSIG 测试开发中心（前 SNG 测试开发中心）在自动化测试领域所做的智能化尝试。 ? 大致分成下面几部分： 使用AI面对和解决的问题是什么 AI带来的曙光 使用了哪些技术，效果是怎么样的 未来展望 UI自动化测试的问题 从业务角度看自动化测试，看到的东西仅仅是冰山浮在水面上的一小部分，而在自动化测试深入的过程中 AI带来的曙光 QTA所做的AI尝试 QTA是在SNG跑了很多年的自动化测试平台，已经接入了170个活跃的公司产品和项目。 QTAMetis就是为了解决控件识别和定位技术这一关键难题，而引入AI优化能力。 ? （传统自动化测试识别和定位） ? （传统UI自动化测试与Metis的区别） 可以看到，AI已经可以使自动化测试实现一个质的飞跃。 ? 但就像电动汽车尚未在马路上普及一样，在使用的时候还有若干个问题。
4.3K42发布于 2018-10-17 - 来自专栏掘金安东尼
人工智能领域最著名的 4 大测试
在人工智能领域，衡量、理解、测试AI 是一项重要的任务。 历史上，有 4 大著名测试：图灵测试、咖啡测试、机器人学生测试和雇员测试； 本篇和大家一起来探究这些知名测试的背后，包括设计原理、实施方法、评估标准等，在这些指标的启示下，将进一步了解人工智能领域 AI ， 所有测试者都会被单独分开，对话以纯文本形式透过屏幕传输，因此结果不取决于机器的语音能力； 这个测试意在 探求机器能否模仿出与人类相同或无法区分的智能。 ； 通过了解这四个著名的机器测试，我们不仅能基于它们评估AI的技术水平，还能理解它在更复杂、更贴近真实世界的环境中的应用潜力~ 补充： 实际上，除了图灵测试，更进一步、还有“完全”图灵测试：就是说， 我个人理解它们的难度级别是： 完全图灵测试 > 雇员测试 > 机器人学生测试 > 咖啡测试 > 图灵测试 目前，人工智能系统能够理解和生成更复杂的内容，并能够完成一些简单的任务，但是距离 AGI 还有很大的差距
3.5K10编辑于 2024-03-13 - 来自专栏AI SPPECH
测试过程智能管理：AI如何优化测试策略与执行
本文将深入探讨AI如何优化测试策略与执行，帮助测试工作者实现测试过程的智能管理，提升测试效率和质量，让测试工作更加精准、高效和智能化。 AI优势 智能决策、资源优化、效率提升、质量保障 你最期待AI解决哪方面的测试管理问题？ 学习路径 概念、方法、工具、实践、案例 准备好学习AI辅助测试过程智能管理了吗？ 1.3 AI在测试过程管理中的机遇 人工智能技术为解决传统测试过程管理的挑战提供了新的机遇： 用户 → 系统: 测试需求 → AI: 智能分析 → 系统 → 用户: 优化方案 智能决策支持：AI可以分析大量数据 、自我修复测试 自我修复、AI驱动的测试维护 Web应用测试、移动端测试 Applitools 视觉AI测试、智能测试管理 视觉AI、跨浏览器测试 UI测试、视觉回归测试 Mabl 智能自动化测试、持续测试 ─ 趋势3: 自适应学习系统 ├── 趋势4: 多模态数据融合 └── 趋势5: 智能协作平台 全流程智能化：从需求分析、测试设计、测试执行到缺陷管理，全流程实现智能化 预测性测试：基于历史数据和实时监控
48710编辑于 2025-11-13 - 来自专栏啄木鸟软件测试
2026智能回归测试：AI驱动的精准防御
而2026年，这一困局正被一场静默却深刻的变革所改写——以大模型理解力、实时代码语义图谱与轻量化边缘推理为底座的‘智能回归测试’（Intelligent Regression Testing, IRT） 二、关键技术突破：让AI真正‘懂代码、知业务、会决策’ 2026年IRT并非简单叠加LLM，而是实现三大硬核融合： - 代码表征与业务语义对齐：微软新发布的CodeGraph-IR框架，将AST节点与领域本体 ’（执行用例数/变更影响节点数），某车企智能座舱团队采用该指标后，Sprint末期紧急Hotfix减少67%； - 建立‘人机仲裁机制’：当IRT建议跳过某用例而资深QA坚持保留时，系统自动触发‘差异分析看板 结语：回归测试的终极形态，是让‘回归’本身消失 2026年的智能回归测试，正在消解‘回归’这个术语的原始含义——它不再意味着‘重复验证旧功能’，而是‘实时映射变更脉冲，瞬时激活精准防护’。 而测试工程师，则从用例编写者，进化为质量策略架构师、AI训练教练与业务风险翻译官——这才是技术深度解析背后，最值得奔赴的人本价值。 （全文约2050字）
18710编辑于 2026-03-31 - 来自专栏测试开发社区
【AI测试】也许这有你想知道的人工智能 (AI) 测试--第二篇
测试工具 会用到什么测试工具吗 pycharm python excel 测试用例 人工智能 (AI) 测试 或者说是 算法测试，个人认为主要做的有三件事。 如APP的账号登录注册功能，写测试用例也是操作步骤，预期结果，实际结果等。 只有预先知道这样的操作，产生的预期结果是啥，才能知道这是不是Bug。 AI（人工智能）测试也是一样。 （这块以后有时间再写） AI（人工智能）测试是计算测试集运行的测试结果和测试集的标注结果，得出评价指标来衡量算法的泛化能力。 算法运行得到算法结果之后，就需要做结果数据分析了。 4，部分数据标注不准确，认知有些差异。 重点需要关注预期结果和实际结果不一致的数据，是怎么样的。再次检查标注是否错误。查看错误的数据的分布，是否有共同的特征。 2，科学计算错误 3，工程代码问题 4，模型效果差 科学计算即数值计算，是指应用计算机处理科学研究和工程技术中所遇到的数学计算问题。比如图像处理、机器学习、深度学习等很多领域都会用到科学计算。
1.5K20发布于 2019-09-25 - 来自专栏人工智能AI
AI 人工智能常见4大应用场景
AI人工智能常见4大应用场景 AI 类应用场景，涉及行业众多，常见场景例如智能制造、智能安防、智慧医疗、智能自动驾驶等： 01、AI智能制造 智能制造，在某园区部署 MEC 平台，基于该平台可实现预测性维护和 02、AI智能安防 智能安防，针对现代安防的特点结合 5G MEC技术， MEC 平台可提供开放能力调用接口，例如 AI 视频分析、调度算法等以 API 的方式直接调用，大幅降低合作伙伴的开发难度和缩短研发周期 实际实施过程中通过在园区内布置监控摄像头以及巡检机器人，实时巡检监控，结合 AI 人工智能视频分析，遇到异常情况及时告警，同时联动巡检机器人到达现场排查，实现智能快速处理、实时响应；在小区入口处设置门禁系统 针对院内医疗应用，可将远程会诊、PACS 影像系统、AI 分析、电子病历、HIS 系统等逐步迁移上 MEC 平台上，可通过低时延的 AI辅诊发现和提示疑似病患情况提升阅片的速率。 04、AI智能自动驾驶场景 智能自动驾驶场景，分为感知和决策两类主要场景，感知类包括汽车定位、静态障碍物映射、移动障碍物检测跟踪、道路映射、交通信号检测和识别；决策类包括路线规划、路径规划、行为选择、运动规划和控制等
2K10编辑于 2024-05-21 - 来自专栏测试开发技术
AI 测试全体系详解：自动化测试框架 + 智能缺陷检测 + AB 测试优化
前言 人工智能技术的深度落地，彻底重构了软件测试的行业生态，传统手工测试、标准化自动化测试的效率瓶颈被打破，AI 与测试领域的融合催生出三大核心应用方向：AI 驱动的自动化测试框架、AI 智能缺陷检测、 基于 CV 的智能元素定位：通过图像识别、文字识别定位页面元素，彻底解决「元素属性变更导致脚本失效」 3. 基于强化学习的用例自动生成与路径遍历：AI 自主探索产品页面所有操作路径 4. 14、Vue3+Vant4框架 三、AI 赋能的 A/B 测试优化 从经验决策到数据智能决策 3.1 传统 A/B 测试的痛点 痛点 描述 方案设计低效 人工仅能设计2-3个测试版本 流量分配不合理 AI 智能方案生成：自动生成10+优化版本方案 2. AI 动态流量分配：实时动态调整流量分配比例 3. AI 样本量智能判定：自动计算最小样本量、最短测试周期 4. AI 智能缺陷检测 质量保障核心 精准识别所有缺陷，定位根因 AI A/B 测试优化 业务价值闭环 通过智能测试找到最优产品方案 三者共同构建了「技术质量保障→产品体验优化→业务价值提升」的完整闭环
2.1K11编辑于 2026-03-05 - 来自专栏AI SPPECH
AI重塑渗透测试：智能用例生成新未来
本文将深入探讨AI如何生成自动化渗透测试用例，从技术原理到实战应用，为渗透测试工程师提供一份全面的智能用例生成指南。 AI生成渗透测试用例的技术原理 传统的渗透测试用例生成主要依赖于测试工程师的经验和手动编写，这种方法效率低下且容易遗漏。AI生成渗透测试用例通过以下原理实现自动化和智能化： 1. 基于大语言模型的测试用例生成 近年来，大语言模型（LLM）如GPT-4、Claude 3等在渗透测试用例生成中展现出了革命性的潜力： 代码理解与生成：理解应用程序的源代码，生成针对性的测试代码。 零日漏洞检测：利用AI技术，尝试发现和利用尚未公开的零日漏洞。 攻击趋势预测：基于漏洞情报和攻击模式，预测未来的攻击趋势。 4. 在未来，随着全自动化测试流程、大语言模型的深度应用、漏洞情报与AI的结合以及量子计算技术的发展，AI驱动的渗透测试将变得更加智能、高效和全面，为企业的网络安全提供更坚实的保障。
59111编辑于 2025-11-13 - 来自专栏AI SPPECH
AI驱动的安全测试：智能漏洞检测与防护
人工智能技术的发展为安全测试带来了新的机遇。AI驱动的安全测试通过整合AI技术，能够实现智能漏洞检测、自动安全分析和动态防护策略，显著提升安全测试的效率和效果。 AI优势 智能检测/自动分析/动态防护/高效响应/降低依赖 你最期待AI解决哪方面的安全测试问题？ 学习路径 概念、原理、应用、框架、实践、未来 准备好学习AI驱动的安全测试了吗？ 目录 目录 ├── 第一章：安全测试的基本概念与挑战 ├── 第二章：AI在漏洞智能检测中的应用 ├── 第三章：AI在安全风险智能分析中的应用 ├── 第四章：AI在防护策略智能生成中的应用 ├── 传统安全测试面临的最大挑战是什么？ 第二章：AI在漏洞智能检测中的应用 2.1 漏洞智能检测的基本原理 漏洞智能检测是指利用AI技术，自动识别和检测软件系统中的安全漏洞。 结论 AI驱动的安全测试是安全测试领域的重要发展方向，它通过整合AI技术，能够实现智能漏洞检测、自动安全分析和动态防护策略，显著提升安全测试的效率和效果。
43610编辑于 2025-11-13 - 来自专栏软件测试
基于AI的智能自动化测试架构实践
本文系统性地提出了一套面向复杂业务场景的云原生AI自动化测试架构(AITP，AI-poweredTestingPlatform)，该架构深度融合了AI能力与测试工程实践，在测试设计、执行、分析全生命周期中实现智能化升级 而AI技术的成熟，恰好为实现这一转型提供了可行路径。1.3AI技术为测试带来的机遇人工智能技术在近年来取得了突破性进展，这些进展为测试领域带来了全新的可能性。 2.2架构设计理念AITP架构的设计遵循“分层自治+AI驱动”的总体思想，旨在构建一个能够自适应、自学习、自演进的智能测试体系。其核心设计理念包括以下几方面。 智能化贯穿全流程：将AI能力深度融入测试的设计、执行、分析全生命周期，而非仅作为辅助工具。每个环节都具备智能决策能力。 需要配置GPU，用于实时的模型推理（如图像识别、日志分析）、配置高性能GPU，用于定期的模型训练和优化并根据测试任务量动态调整节点数量。测试相关工具链建设，如表2-4所示。
1.9K12编辑于 2025-12-09 - 来自专栏AI SPPECH
智能测试自动化：AI驱动的测试脚本生成与优化
AI驱动的测试自动化通过AI技术的应用，不仅可以自动生成和优化测试脚本，还可以智能地选择测试用例、识别测试环境问题、分析测试结果，大大提高了测试自动化的效率和效果。 AI优势 智能生成/自动优化/精准选择/高效分析 你最期待AI解决哪方面的测试自动化问题？ 学习路径 概念、方法、工具、实践、案例 准备好学习AI驱动的测试脚本生成与优化了吗？ 端到端测试、智能分析、预测 综合测试自动化 Mabl 低代码AI测试自动化 自修复、自适应、智能分析 敏捷团队测试自动化 Functionize AI驱动的测试自动化 自然语言测试、自修复、智能分析 可视化、自修复、智能分析 敏捷团队测试自动化 Tricentis Tosca AI驱动的测试自动化平台 模型化测试、智能分析、风险覆盖 企业级测试自动化 Ranorex 自动化测试工具 AI辅助、跨平台 全流程测试自动化 ├── 趋势3: 预测性测试 ├── 趋势4: 自适应测试系统 └── 趋势5: 测试数据智能生成 无代码/低代码测试平台：降低测试自动化的技术门槛，让更多非技术人员能够参与测试自动化
1.1K11编辑于 2025-11-13 - 来自专栏AI SPPECH
智能测试数据分析：AI如何从测试结果中挖掘洞察
第二章：AI驱动测试数据分析的原理与方法 2.1 AI驱动测试数据分析的基本概念 AI驱动测试数据分析是指利用人工智能技术，特别是机器学习和深度学习技术，辅助或自动化测试数据分析的过程，以提升数据分析的效率和效果 Analytics AI驱动的测试分析 智能洞察、自动报告 测试结果分析 Applitools Eyes Analytics 视觉AI分析 像素级比较、智能报告 视觉测试分析 TestRail 测试管理与分析 数据可视化与分析 交互式仪表板、高级可视化 测试数据可视化分析 Power BI 商业智能与分析 数据分析、可视化报告 测试数据分析报告 7.2 工具选择策略 选择AI驱动测试数据分析工具时，需要考虑以下因素 AI驱动测试数据分析的未来发展趋势主要包括： 中心: AI驱动测试数据分析未来 ├── 趋势1: 实时分析与决策 ├── 趋势2: 多模态数据分析 ├── 趋势3: 自动化洞察与行动 ├── 趋势4: 随着AI技术的不断发展，测试数据分析将变得更加智能化、自动化和实时化，为软件质量保障提供更强大的支持。
45010编辑于 2025-11-13 - 来自专栏自学测试之道
接口测试4
一、测试用例这样写 一个好的用例的表述要点，即用例中应当包含的信息 一个优秀的测试用例，应该包含以下信息： 1） 软件或项目的名称 2） 软件或项目的版本（内部版本号） 3） 功能模块名 4） 测试用例的简单描述 ，即该用例执行的目的或方法 5） 测试用例的参考信息（便于跟踪和参考） 6） 本测试用例与其他测试用例间的依赖关系 7） 本用例的前置条件，即执行本用例必须要满足的条件，如对数据库的访问权限 8） 用例的编号 该测试案例是以一个B/S结构的登录功能点为被测对象,该测试用例为黑盒测试用例。 假设用户使用的浏览器为IE6.0 SP4。 功能描述如下： 1.用户在地址栏输入相应地址，要求显示登录界面； 2.输入用户名和密码，登录，系统自动校验，并给出相应提示信息； 3.如果用户名或者密码任一信息未输入，登录后系统给出相应提示信息； 4.
49310发布于 2019-09-29 Grok 4：多智能体内生化开启 AI 新范式
二、HLE 测试：AI 智能的 “试金石”衡量 Grok 4 实力的关键，是它在 HLE（“人类最后的考试”）中的表现。 这个由 AI 安全中心与 Scale AI 联合推出的基准测试，堪称大模型的 “终极考验”—— 包含 2500 道覆盖 100 多个学科的超难问题，从高等数学到古文字破译，从量子物理到生物化学，且无法通过简单网络搜索解答 这意味着 Grok 4 每一次训练迭代，都相当于消耗数座中小型水电站的年发电量。这种算力需求的激增，源于 “三重 Scaling Law” 的生效：预训练、后训练、测试阶段的算力消耗均呈指数级增长。 黄仁勋曾预言的 “算力三重奏”，在 Grok 4 身上得到了完美验证 ——AI 的进化，正变得越来越 “烧钱”。四、争议与未来：AI 发展的新变量Grok 4 并非完美无缺。 Grok 4 的出现，或许只是一个开始 —— 当智能体的协作从 “工具调用” 变为 “原生本能”，AI 距离真正的通用智能，可能又近了一步。
46500编辑于 2025-07-16- 来自专栏AI SPPECH
AI辅助测试自动化框架设计：构建智能、高效的测试体系
├── 第五章：AI在测试数据智能管理中的应用 ├── 第六章：AI在测试执行智能优化中的应用 ├── 第七章：AI在测试结果智能分析中的应用 └── 第八章：实践案例与未来发展 第一章：测试自动化框架的演进与挑战 AI辅助测试自动化框架 = 传统测试自动化框架 + AI技术 + 智能决策系统 + 自适应机制 AI辅助测试自动化框架的主要特点包括： 智能化：利用AI技术实现测试的智能生成、执行和分析 自适应：能够自动适应应用的变化 运行本工具，自动修复测试脚本中的定位器问题") print("4. 第六章：AI在测试执行智能优化中的应用 6.1 测试执行环境智能管理 AI在测试执行环境智能管理中的应用主要包括： 应用场景 描述 AI技术 价值 环境需求智能预测 智能预测测试环境需求 需求预测、机器学习 中心: AI辅助测试自动化框架未来 ├── 趋势1: 全流程自动化 ├── 趋势2: 自适应测试 ├── 趋势3: 预测性测试 ├── 趋势4: 多模态数据融合 ├── 趋势5: 联邦学习与隐私保护
1.3K10编辑于 2025-11-13 - 来自专栏设计模式
AI 智能体上下文工程 4 大实用策略解析
鉴于此，Cognition公司强调了上下文工程的重要性： “上下文工程”……实际上是构建AI智能体的工程师的首要工作。 智能体也正在获得这种能力！通过“便签本”做笔记是一种在智能体执行任务时持久化信息的方法。其核心思路是将信息存储在上下文窗口之外，确保智能体可随时获取。 在AI工程师世界博览会上，西蒙·威利森（Simon Willison）分享了一个选择失误的例子：ChatGPT从记忆中获取了他的位置信息，并意外地将其注入到用户请求生成的图像中。 4. 隔离上下文（Isolate Context） 隔离上下文指拆分上下文，以帮助智能体执行任务。 多智能体（Multi-agent） 隔离上下文最流行的方法之一是在子智能体之间拆分上下文。 Anthropic的多智能体研究证明了这一点：具有隔离上下文的多个智能体的性能优于单个智能体，这很大程度上是因为每个子智能体的上下文窗口可专注于更具体的子任务。
86111编辑于 2025-10-20 - 来自专栏01二进制
不用GPT4，如何让你的AI助理更加智能
因此在去年 8 月，随着《生成式人工智能服务管理暂行办法》的正式实施， 中国自人己的生成式人工智能之路，终于从政策上给出了要求和肯定，让 AIGC 行业发展不再迷茫。 现如今经历了一年多的发展，国产 AI 已经慢慢地走向成熟，其智能体的效果已经具备了产业应用场景落地的基本条件。 国产大模型亦是如此，GPT4 与大国政策双向奔赴后，这些 AI 厂商都想在国内大模型这场军备竞赛中占得一席之地。 这些 AI 厂商一般有三种提供服务的方式： 模型私有部署：直接部署开源或者闭源的模型（需要显卡）； AI 开发平台：很多平台提供了 LLM 服务，可以在线进行模型测试、开发、部署、微调等服务（直接付费即可 2024 年 1 月 16 日，智谱 AI 发布了他们最新的大模型 ChatGLM4，性能全面比肩 GPT-4（乐观计算能达到 GPT-4 九成以上），并且在中文能力上超过了所有竞争对手，长文本能力也一骑绝尘
88310编辑于 2024-02-17 - 来自专栏企鹅号快讯
人工智能AI（4）：线性代数之行列式
行列式是数学中的一个函数，将一个的矩阵映射到一个标量，记作。 1 维基百科定义 行列式可以看做是有向面积或体积的概念在一般的欧几里得空间中的推广。或者说，在n维欧几里得空间中，行列式描述的是一个线性变换对“体积”所造成的影响。无论是在线性代数、多项式理论，还是在微积分学中（比如说换元积分法中），行列式作为基本的数学工具，都有着重要的应用。 行列式的特性可以被概括为一个交替多线性形式，这个本质使得行列式在欧几里德空间中可以成为描述“体积”的函数。 一个n阶方块矩阵A的行列式可直观地定义如下： 其中，S
1.6K90发布于 2018-02-11
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