- 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。 接口测试主要用于检测外部系统与系统之间以及内部各个子系统之间的交互点。测试的重点是要检查数据的交换，传递和控制管理过程，以及系统间的相互逻辑依赖关系等。 5. 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 4, 5, 5, 3, 4], # 业务关键度（1-5） 'recent_fail_rate': [0.3, 0.1, 0.2, 0.4, 0.05, 0.15] # 最近失败率 }) ─ 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Go语言学习专栏
5 - 工具调用 - AI 超级智能体项目教程
1）联网搜索 2）网页抓取 3）资源下载 4）终端操作 5）文件操作 6）PDF 生成 而且这些需求还可以进行组合 如果 AI 能够完成上述需求，就不再只是一个有知识的 “大脑”，而是有手有脚，会利用工具完成任务的 “智能体” 了。 = 4）在配置文件中添加 API Key： # searchApisearch-api:api-key: 你的 API Key 5）编写单元测试代码，读取配置文件中的密钥来创建网页搜索工具： @SpringBootTestpublic 以下是各工具的测试结果： 1） 测试联网搜索 2）测试网页抓取 3）测试资源下载。 可能会先调用联网搜索、再调用资源下载： 4）测试终端操作 虽然测试结果提示 “脚本不存在”，但这证明了 AI 已具备操作终端的能力。
24710编辑于 2026-03-17 - 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
测试执行 如果执行测试？ 可以准备好测试数据，然后批量运行数据后，人工来对比测试结果和预期结果。再计算评价指标。 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。 测试报告 测试结果最终通过测试报告展现，一份详见的测试报告，可以让别人清晰的了解测试什么，怎么测试的，测试结果是怎么样。 最后附一个用pyecharts画的图。 ?
1.5K20发布于 2019-09-25 - 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、 基于规则引擎+机器学习的异常智能处理：自主执行重试、等待、关闭弹窗等操作 5. 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 多维度深度分析：挖掘用户分层、行为路径、转化漏斗 5. AI 测试结果预测：提前预测测试最终结果 6. 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。 入门阶段（0-2年）：学习安全基础知识和测试技术，掌握至少一门编程语言，了解基本的安全测试工具 中级阶段（2-5年）：深入学习特定领域的安全测试技术，掌握AI基础技术，参与实际安全测试项目 高级阶段（5
43610编辑于 2025-11-13 - 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. 智能测试用例生成：根据应用程序的特点和最新的攻击技术，自动生成高质量的测试用例。 自动测试执行：通过自动化工具和脚本，自动执行生成的测试用例。 智能化的攻击路径规划：基于应用程序的结构和防御机制，规划最优的攻击路径。 自适应测试策略：根据测试过程中的反馈，动态调整测试策略和用例生成方法。 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。 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。 在执行层面，通过智能调度和资源优化，回归测试时间由6小时缩短至2小时，环境准备时间也从30分钟降至5分钟，实现了随时随地按需启动测试，整体执行效率提升至原来的3倍。 在业务价值方面，智能化测试转型带来了直接且显著的收益。交付速度大幅提升，整体测试周期缩短40%，从代码提交到上线的平均时间从5天压缩至3天，有力支撑了业务快速迭代。
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 # 5. 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 预测性分析增强 ├── 趋势5: 自然语言交互 ├── 趋势6: 联邦学习与隐私保护 └── 趋势7: 可解释AI增强 实时分析与决策：AI技术将支持更实时的测试数据分析和决策，帮助测试团队更快地响应和处理问题 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 - 来自专栏啄木鸟软件测试
AI驱动测试：5个高价值开源方案实战解析
引言：当测试工程师开始和大模型对话 在2024年Q2的行业调研中，68%的头部科技企业已将AI辅助测试纳入质量保障体系，但其中仅23%采用自研AI测试平台——成本高、迭代慢、场景适配难成为主要瓶颈。 本文聚焦真正经受过千级CI/CD流水线锤炼的5个开源AI测试方案，拒绝概念炒作，只谈落地实效。 它将LLM（Qwen2.5-7B）作为智能调度中枢，接收自然语言指令（如‘验证登录页在iOS Safari 17.5下的表单提交逻辑’），自动拆解为：环境准备->截图比对->网络请求拦截->DOM状态校验 例如：按钮文字从‘提交’变为‘确认’，背景色从#F5F5F5变为#FAFAFA——人类认为一致，传统工具标记为失败。 结语：开源AI测试不是替代，而是增强的支点 观察这些项目共性：它们均避开‘用AI写全部测试脚本’的陷阱，转而解决测试工程师最痛的3类问题——信息过载（日志/截图/指标）、认知盲区（边界条件/组合爆炸）、
22910编辑于 2026-03-31 - 来自专栏灵墨AI探索室
Java智能之Spring AI：5分钟打造智能聊天模型的利器
从智能语音助手到复杂的自然语言处理系统，人工智能已经成为了现代生活和工作中不可或缺的一部分。在这样的背景下，Spring AI 项目迎来了发展的机遇。 该项目的初衷在于推进生成式人工智能应用程序的发展，使其不再局限于Python开发者。 Spring AI 的核心理念是提供高度抽象化的组件，作为开发AI应用程序的基础。 本期主要着重展示如何有效利用Spring AI的ChatClient，特别是在本示例中应用Spring AI的智能聊天模型。 List<ActorFilms> actorFilms = chatClient.prompt() .user("Generate the filmography of 5 Spring AI作为一个高度抽象化的人工智能应用程序开发框架，为开发者提供了便捷的模型支持、灵活的功能模块交换和优化能力。
22.2K34编辑于 2025-06-26 - 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 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 AI辅助测试自动化框架的价值分布: 效率提升(35%) | 成本降低(25%) | 质量提高(20%) | 覆盖率提升(15%) | 体验改善(5%) 设计和实施AI辅助测试自动化框架需要明确目标和范围
1.3K10编辑于 2025-11-13 构建多智能体 AI 应用的5个最佳框架
而 Anthropic 的 Computer Use（公开测试版）智能体可以指导 Claude 执行电脑任务，就像人类一样使用计算机。该智能体能够查看屏幕并在其中导航，移动鼠标、点击按钮并输入文本。 •科技行业：在科技领域，AI 编码智能体可辅助开发者和工程师高效完成代码生成、自动化操作、测试与错误修复，从而提升开发效率和产品质量。 Swarm 通过 Agents（智能体） 和 handoffs（交接机制） 作为抽象概念，实现智能体间的协调与编排。它是一个轻量级框架，可高效地进行测试与管理。 5. LangGraph LangGraph[23]是一个基于节点的 AI 框架，是目前最受欢迎的多智能体系统构建工具之一。它属于 LangChain 生态系统，专用于图结构化的智能体流程编排。 更多信息 山行AI希望本文对你有所帮助，由笔者翻译整理自：https://medium.com/@amosgyamfi/best-5-frameworks-to-build-multi-agent-ai-applications
87610编辑于 2026-03-13- 来自专栏物联网IoT996
AI使物联网更智能的5种方法
12.13.19-5-Ways-How-AI-Can-Make-the-Internet-of-Things-IoT-More-Intelligent.png 无需进行任何第三方交互即可连接数十亿个交换数据的设备的能力使物联网 微软的AI专家Rashmi Misra最近在有关物联网中AI实施的播客中透露，微软有兴趣提高IoT设备收集的数据的价值。这将为企业提供开发更有效的产品和服务的解决方案，以满足客户的期望。 智能恒温器 通过智能手机或其他物联网控制设备管理房屋中的温度变得越来越普遍。人工智能的集成允许生产可以从用户体验中学习并表现得更好的设备。 借助AI的集成，企业所有者，尤其是拥有大量车辆和业务繁忙的公司，可以更快地收集和分析数据并产生更多有用的反馈。 人工智能的实施可以产生更有效的路线，削减其他运营费用并自动委派工作，而无需人工干预。 结论 这些只是我们可以使用AI分析通过IoT设备收集的大数据并提高每个智能设备的功能的一些方式。 我们很快就会住在适应我们需求和习惯的全自动家庭中。
61400发布于 2020-03-09 - 来自专栏软件测试学习
如何借助AI工具辅助部署TestHub 智能测试管理平台
项目简介 TestHub 是一个功能强大的智能测试管理平台，集成了 AI 需求分析、测试用例管理、API 测试、UI 自动化测试 等多个模块，旨在提升测试效率和质量。 一、AI 智能化：测试进入"自动驾驶"时代 AI 需求分析：自动解析 PDF/Word/TXT 需求文档，智能提取业务要点 智能用例生成：基于需求自动生成覆盖全面的测试用例 AI 智能模式：基于 Browser-use 框架，AI 理解页面结构并自动完成测试任务（支持视觉模式 + DOM 模式） 智能助手：集成 Dify AI，随时解答测试咨询 支持多模型自由切换：DeepSeek、通义千问、 支持 HTTP / WebSocket 双协议 环境变量管理 + 智能替换 测试套件批量执行 + 定时任务 自动生成 Allure 专业测试报告 还有一些其他的功能就不一一赘述了，今天主要看一下怎么通过 今天发现了一个很好用的工具：OrcaTerm OrcaTerm开启智能终端新体验，OrcaTerm AI，重塑终端交互范式，集自然语言交互、上下文感知与智能释义于一体，我们为终端注入了前所未有的强大核心
1700编辑于 2026-04-17 - 来自专栏AI
当AI开始质疑图灵测试：智能本质的重新定义
但当代AI展现出的某些特质，正在解构这个测试的合理性：知识幻觉现象：模型可以流畅讨论不存在的学术概念人格分裂特征：同一模型在不同对话中展现相悖价值观元认知缺失：无法理解自身知识边界这些特质构成一个认知黑洞 神经科学家发现，当参数超过千亿级，AI系统开始产生类似生物神经网络的混沌特征。三、新智能评估体系的五个维度1. 自我进化能力参数动态调整：在线学习不引发灾难性遗忘架构自优化：根据任务需求重组网络结构能量效率比：单位焦耳处理的信息熵5. 或许真正的图灵测试2.0，将是人类能否理解AI给出的"错误"答案背后蕴含的新逻辑体系。未来已来，只是尚未均匀分布。 当第一个通过意识光谱L7测试的AI出现时，它要回答的第一个问题或许会是："你们准备好重新定义自己了吗？"
59810编辑于 2025-03-30
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