- 综合排序
- 最热优先
- 最新优先
- 来自专栏测试开发干货
接口测试平台192： 并发报告（8）
好的然后我们再次测试看有木有bug： 经过测试，毫无bug。而且加载速度大大提升（反正肉眼都是察觉不到） 好，我们开始要优化下这个弹层了，首先就是这个弹层有点太大了。。。 实际上，测试报告在目前的业内有些变得浮躁了，普遍追求更好看，更多功能，而忽略了【易理解性】，让很多人第一眼看过去就眼花缭乱，完全找不到自己需要的数据。 热饭认为，测试报告只要简洁，明了，可看统计和具体详情即可。在颜色上只要把关键信息醒目一些即可。 没必要做的花花绿绿，显得很高大上的样子。 因为这就只是个报告而已。
19020编辑于 2022-05-20 - 来自专栏测试开发干货
接口测试平台设计思路-8:成品总览
本节将展示抓包工具，抓包工具结合接口测试平台，可以通过抓前端的包，来直接把接口导入到自己的项目中，这样做的好处是数据等都是真实可靠的，自己之后测试改一改也很简单，类似于流量回放。 本号的最终目的是 教会大家 可以自己动手去做这个接口测试平台，源码只是借鉴。
42310编辑于 2022-05-18 - 来自专栏测试开发干货
(简易)测试数据构造平台: 8 (首页美化)
在elementUI中，提供了很多默认的布局，比如：布局容器<el-container>
58830编辑于 2022-05-20 - 来自专栏测试开发干货
接口测试平台代码实现129: 全局变量-8
我们来测试下： 用例1:当前项目属于旧项目，更改的表结构产生的新字段 是否会报错： 结果没有报错，通过。 用例2:新创建的项目，进入该页面是否报错： 结果也没报错，通过。 用例3:当前项目中是正常的选中了第一个变量组： 我们得首先去后台给该项目手动写一个global_datas来方便测试。 然后我们去urls.py中： 最后是views.py： 然后我们重启服务，刷新页面开始测试： 可以看到已经可以正常的 选中 取消 等操作了。
98930编辑于 2022-05-19 - 来自专栏测试开发干货
接口测试平台代码实现112:登录态接口-8
response = requests.request(login_method.upper(), url, headers=header, data=login_api_body.encode('utf-8' )) # 把返回值传递给前端页面 response.encoding = "utf-8" DB_host.objects.update_or_create
53820编辑于 2022-05-19 - 来自专栏测试开发干货
接口测试平台代码实现8:首页的继续开发
2.hao123风格 特点：满屏的超链接，花里胡哨，但是很实用，全都是常用网址，设计公司内测试平台的话也可以用各种内部常用链接作为首页，这样做更容易让同事保存成书签。 低调奢华有内涵，但是不太适合作为一个测试平台使用 5.主要工具实用类 特点：就相当于 没有主页了。用户进来的第一个页面 就是一个最常用的工具页面，给人感觉是比较务实，但是失去了仪式感。 所以我们把welcome.html的title改成测试平台： 这样我们后续进入的各种页面都会显示这个了 好的，让我们打开新建的home.html开始开发： 然后在浏览器打开看看效果： 接着设计, 比如我们去做一个平台自己的专属logo！ 百度，在线logo制作，你会看到很多同类型的网站： 让我们随便打开一个免费的： 然后按照步骤一步一步设计吧。 注意，如果网站要求付费或者登陆，小伙伴们还是按照要求来，这个花不了太多钱的，人家开平台也是需要成本的哈。 当然你也可以自己用ps设计 好了本节就介绍到这里。
97620编辑于 2022-05-19 - 来自专栏AI科技大本营的专栏
你的 AI 算法模型安全吗？来 AI 安全测试基准平台测试下
AI 模型攻防“标尺” AI 安全基准平台基于清华大学在 2020 年GitHub 开源的 ARES 算法库，提供模型攻击与防御的排行榜。 安全性对抗稳健性评估 ARES 库，是一个用于对抗性机器学习研究的 Python 库，专注于对图像分类的对抗性稳健性进行基准测试。 曾在完整的威胁模型下使用 15 次攻击和 16 次防御对对抗性稳健性进行了基准测试。 谈及 AI 安全基准平台的研发初衷，据官方表示，由于攻击算法是经常变化的，需要考虑模型在多种攻击算法下和更强的攻击下的防御能力，如果只在一种攻击算法下进行测试的话，不够全面。 由于该基准评测平台不是专属于某一家机构或者公司搭建的平台，需要大家共同参与，一起将它打造为更全面、权威的 AI 安全评估平台。
91220编辑于 2023-05-08 - 来自专栏测试开发干货
接口测试平台代码实现番外：主页改版-8
每一个结果都有三个属性： url,text,type 然后返回给前端，看看测试效果： 看来已经成功了。 本节内容到此结束。下节我们就要实际的去搜索到真正的结果 了。
47930编辑于 2022-05-19 - 来自专栏老张的求知思考世界
基于四大AI交互协议的AI测试平台架构
在半个月前联合融管理社区的《践行者》直播中，我曾分享过这样一个观点：基于Function Calling、MCP、A2A和AG-UI，我们可以推动服务于测试工作的全流程AI应用。 因此我们可以得到这样一个明确的范围，即：当前阶段AI在研发测试领域落地，有如下几个确定性较强的应用场景： 测试用例生成：特别是基于历史迭代版本的主流程回归测试用例diff； 测试数据生成：因为业务最小粒度对应的数据 、线上监控、线上发布变更(表结构变更-SQL)，同样具有明确的预期目标和结果； 2、基于上述确定性较强的几个场景，我们可以借助四大AI交互协议来构建全流程的测试平台，思路如下： Function Calling 之间的通信，比如用例生成Agent、数据生成Agent、测试脚本生成Agent之间相互协作； AG-UI：实现后台服务(从大模型到Agent再到具体功能点)和前台的交互，最终构建为一个完善的AI全流程测试平台 ； 3、基于上述第二部分的思路，我们可以实现这样一个AI全流程测试平台，具体的功能和工程结构如下：
43810编辑于 2025-06-08 - 来自专栏老张的求知思考世界
AI驱动的全链路测试平台实战案例
回到主题，自信的说，我们的AI测试平台能力在行业里面处于前列，设计开发维护平台的同学都是头部互联网公司，是行业的拓荒者，下面介绍AI测试进阶训练营价值，不喜欢付费训练的可以划走。 全源码平台集成交付，拒绝理论，拒绝零散式插件脚本堆砌，偷换概念。 每节课都基于真实企业级项目拆解。 全套课程直播并录制（AI测试全流程讲解）。 完整项目源码库（持续更新）。 传统测试平台转型，老的测试平台加简单调用大模型的API，美其名曰AI智测平台。 2. 传统培训加上少部分的AI课时，且都是脚本级别的轻量级实践（相当于我们免费送的水平）变成AI测试训练营。 3. AI生成测试用例 全流程AI赋能，标准化与灵活性兼具，实现从需求到用例的高效闭环，全面提升测试质量与效率。 需求输入灵活：支持直接输入文本或从需求管理平台精准选取，并可补充场景信息，完善业务上下文。 代码生成器：基于测试需求描述，支持生成多语言（Python/Java/JS等）接口测试脚本及断言逻辑 数据分析器：自动解析测试执行日志，生成覆盖率报告、失败用例归因图表及性能趋势对比看板 8.
1.2K11编辑于 2025-10-10 - 来自专栏FunTester
测试平台化
测试平台化刚好可以解决该问题，帮助团队跨过这个鸿沟，迈入高效团队的阵营。 在绝大分团队中，有负责工具组的团队，团队成员会为整个持续测试提供测试工具从而实现测试平台化。 如果团队中没有专门负责测试平台的人，那么在代码扫描部分可以使用SonarQube，在接口自动化测试平台部分可以使用Yapi，单元测试和UI自动化部分目前没有成熟的开源解决方案，使用SonarQube代码扫描平台 、Yapi接口测试平台至少能够满足测试平台化的基础需求。 推行测试平台化不再需要兼顾各种技术栈，只需要按照自己设计测试平台的技术栈在团队内进行提升就可以。 降低高级测试技能的学习成本。 对于测试行业中的高级测试类型（如性能测试），通过测试平台化降低学习成本，让所有人都可以完成。 ... ...
53430编辑于 2023-08-04 - 来自专栏CSDN社区搬运
基于丹摩智算平台的YOLOv8训练与测试
丹摩简介 丹摩智算是专为AI开发打造的高性能云计算平台，提供强大的并行计算能力和灵活的资源调度系统。平台依托GPU集群和分布式计算架构，为AI开发者和企业提供大规模计算支持。 支持主流AI框架（如TensorFlow、PyTorch），并配备简化的开发环境和自动化调度工具，有效提升开发效率和资源利用率。 算力支持平台：丹摩智算 官网：https://www.damodel.com/home 帮助文档：https://doc.damodel.com/ YoloV8-训练与测试 制作数据集 Labelme 测试代码（test.py）： from ultralytics import YOLO if __name__ == '__main__': # 加载模型 # model = YOLO model.predict(source="ultralytics/assets", device='0') # 对图片进行预测 print(results) 执行 python test.py 进行图片测试
63710编辑于 2024-11-28 - 来自专栏深度学习与python
vivo AI 计算平台的K8s填坑指南
作者 | 吴梓洋 背 景 在 2018 年底，vivo AI 研究院为了解决统一的高性能训练环境、大规模的分布式训练、计算资源的高效利用调度等痛点，着手建设 AI 计算平台。 白驹过隙，将近两年时间过去了，平台的建设和落地取得了很大的进展，成为了 vivo AI 领域的核心基础平台。平台现在已经有超过 500 多个用户，来自人工智能、影像、互联网等多个部门。 本文是 vivo AI 计算平台技术演进系列文章之一，着重分享了平台在 Kubernetes 上遇到的疑难杂症和解决方法。 这个问题在网上有很多资料，比如腾讯云的文章 《Cgroup 泄漏 -- 潜藏在你的集群中》 和 PingCap 的文章 《诊断修复 TiDB Operator 在 K8s 测试中遇到的 Linux 内核问题 研究院计算平台组的资深工程师，也是 kube-batch, tf-operator 等项目的 contributor，关注 K8s、容器等云原生技术。
1.6K10发布于 2020-11-05 - 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。 平台采用 Django + Vue3 技术栈，提供现代化的用户界面和丰富的功能特性。 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、 二、全端覆盖：Web / APP / API 一个平台搞定 UI 自动化测试（Web） 双引擎支持：Selenium + Playwright 随心切换 智能元素管理：ID、XPath、CSS 等多种定位策略
2700编辑于 2026-04-17 - 来自专栏啄木鸟软件测试
大数据平台测试
来源：http://www.uml.org.cn 一.大数据平台测试简述 大数据平台测试包括2部分：基础能力测试和性能测试 Ⅰ).基础能力测试 大数据平台的基本功能和数据的导入导出对SQL任务、NoSQL Ⅲ).测试指标 主要从性能、能耗、性价比和可用性4个维度来测试对比平台性能 ? 三.大数据平台测试工具 Ⅰ).平台单组件测试 测试应用单一、效率高、成本低，但无法全面衡量大数据平台性能 ? Ⅱ).综合平台测试 覆盖面广，可以较全面测试衡量大数据平台不同类型任务的性能，通用性好 ? b).测试领域：零售商 c).负载类型：离线分析 d).数据类型：结构化、半结构化、非结构化 四.大数据平台测试用例 Ⅰ).平台基准测试用例 主要是从性能的角度衡量大数据平台，包括数据生成、负载选择和明确测试指标等内容 Ⅱ).平台性能测试用例 在基准测试的基础上扩展测试内容，增加SQL任务测试比重 ? Ⅲ).平台基础能力测试用例 ?
2.1K30发布于 2020-11-03 - 来自专栏【腾讯云开发者】
基于图像识别的AI自动化测试框架：GAME AI SDK平台解析
为了在游戏测试中引入自动化测试, 腾讯互娱 TuringLab 实验室研发了 Game AI SDK 自动化 AI 测试平台。 通过接入腾讯公司运营期或测试期的商业游戏，不停的测试优化，最后推出这款 AI 自动化测试平台。 平台搭建与工程实践》一书，此书将 TuringLab 团队基于深度学习的自动化AI测试框架基础的开发与应用经验，进行了详细的描述，分享了如何将AI技术与自动化测试相结合完成测试需求的。 SDKtool识别任务配置 识别任务是识别图片中的某些关键数据信息，然后把这些数据信息做为 AI 算法的输入。配置操作与 UI 识别配置相同。 图8 识别任务配置界面 4. 图11 IM训练过程中的进度信息显示 四、结语 GAME AI SDK 的目标是开发一个比较通用的自动化平台，让用户更专注于测试业务本身。
8.4K22发布于 2020-12-23 - 来自专栏深度学习与python
vivo AI 计算平台的 K8s 分级配额管理实践
作者 | 刘东阳 审校 | 赵钰莹 2018 年底，vivo AI 研究院为了解决统一高性能训练环境、大规模分布式训练、计算资源的高效利用调度等痛点，着手建设 AI 计算平台。 经过四年多的持续迭代，平台建设和落地取得了很大进展，成为 vivo AI 领域的核心基础平台。 本文是 vivo AI 计算平台实战 系列文章之一，主要分享了平台在资源配额管理方面的实践。 本文主要介绍平台在 K8s 集群资源配额管理过程中遇到的问题，以及如何实现符合需求的配额管理组件：BizGroupResourceQuota —— 业务组资源配额（简称 bizrq），用于支撑平台对复杂资源使用场景的配额管控 作者介绍: 刘东阳，vivo AI 研究院计算平台组的资深工程师，曾就职于金蝶、蚂蚁金服等公司；关注 K8s、容器等云原生技术。 点击底部阅读原文访问 InfoQ 官网，获取更多精彩内容！
63630编辑于 2023-03-29 - 来自专栏AllTests软件测试
Artillery - 负载测试平台
这些问题催生了各类负载测试工具的迭代与创新。 本篇将介绍一款负载测试平台– Artillery，可进行分布式负载、可扩展、支持多种协议，并可以使用Playwright进行负载测试等特点。 2、简介 Artillery是一个可扩展、灵活和易于使用的平台，包含生产级负载测试所需的一切。 可扩展且成本效益高：Artillery在你自己的AWS或Azure账户中执行测试，这比在托管平台上运行测试便宜几个数量级，它是无服务器的，因此你只需为使用的资源付费，并且无需管理基础设施。 脚本内容： 测试脚本由两部分组成：配置（config）和场景（scenarios）： 配置部分定义了负载测试将如何运行，例如要测试的系统的URL、将生成多少负载、想要使用的任何插件等等。 2、使用Artillery Cloud Artillery Cloud是一款软件即服务（SaaS）平台，它提供了一个集中式的仪表盘，用于管理和分析负载测试结果。
55500编辑于 2025-02-18 - 来自专栏低代码平台
Jeecg-AI 开源的 AI 应用平台，实现 n8n 的循环节点
Jeecg-AI 是一套类似 Dify 的 AIGC 应用开发平台 + 知识库问答，是一款基于大型语言模型和 RAG 技术的 AI 应用平台，重点提供图文并茂的 AI 知识库和智能聊天功 能，界面直观， 一个全栈式 AI 开发平台，旨在帮助开发者快速构建和部署个性化的 AI 应用和零代码应用。 产品方向： AI 应用平台与低代码结合产品，功能涵盖：AI 应用平台、零代码应用、AI 报表、AI 大屏、AI 仪表盘、Chat AI 报表。 这将是一款业内独一无二的综合性 AI 应用平台，深度融合了 AI 技术与低代码开发理念，致力于为企业和开发者打造智能化、自动化的业务系统构建环境。 产品覆盖面广，功能丰富，涵盖了 AI 应用平台、零代码应用开发、智能 AI 报表生成、动态 AI 大屏展示、交互式 AI 仪表盘以及创新的 Chat AI 报表等多个维度。
21310编辑于 2026-01-20 - 来自专栏小雨的CSDN
8. 黑盒测试 白盒测试 灰盒测试
黑盒测试：黑盒测试也称功能测试，测试中把被测的软件当成一个黑盒子，不关心盒子的内部结构是什么，只关心软件的输入数据与输出数据。 白盒测试：白盒测试又称结构测试、透明盒测试、逻辑驱动测试或基于代码的测试。白盒指的打开盒子，去研究里面的源代码和程序结果。 1）逻辑覆盖法：判定法，条件法，判定和判定组合，条件和条件组合，判定和条件组合 2）循环覆盖法：for / while 3）路径覆盖法：switch / try catch 灰盒测试：是介于白盒测试与黑盒测试之间的一种测试 ，灰盒测试多用于集成测试阶段，不仅关注输出、输入的正确性，同时也关注程序内部的情况（集成测试等）
1.6K30编辑于 2022-10-26
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