- 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。 那正确的问法是什么，可以从具体的人工智能应用的来问： 机器学习项目怎么测试 推荐系统项目怎么测试 图像识别项目怎么测试 自然语言处理项目怎么测试。 目前应用最广泛的人工智能也是这四个类型。 刚刚把人工智能比作水果，我们知道，吃水果的方法有很多。可以把机器学习比作 一种吃水果的方法。如果用刀切这种方法。深度学习又是机器学习的一个分支。大概的关系图如图中显示。 ? 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.
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 、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 、AI分析 移动端测试、跨设备测试 Testim 智能测试自动化、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 Testim 智能测试自动化、自我修复测试 自我修复、AI驱动的测试维护
45010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）
2000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、 一、AI 驱动的自动化测试框架 从脚本化到智能化，重构自动化测试核心逻辑 1.1 传统自动化测试框架的核心痛点 传统自动化测试本质是 「人工编写脚本 + 固定规则执行 + 预期结果硬编码」，在企业级项目落地中存在无法规避的致命痛点 、元素智能识别、异常自主处理、结果智能分析、用例动态优化的新一代自动化测试体系。 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
1.5K11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。 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。
40310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。
53611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。 2.3AITP分层架构体系图2-1AITP智能测试平台分层架构图AITP采用清晰的分层架构，每一层都有明确的职责和AI能力集成点。下面详细阐述各层设计汇总，如表2-2所示。
1.7K12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 结论 AI驱动的测试自动化代表了测试自动化的未来发展方向，它通过AI技术的应用，解决了传统测试自动化面临的诸多挑战，为测试团队提供了更智能、更高效的测试自动化方法。
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 使用预测模型预测测试结果和质量趋势 创建交互式仪表板，实时展示测试数据和分析结果 建立基于AI的异常检测和预警机制 提供智能报告和洞察，支持测试决策 实施过程： 需求分析 → 数据仓库建设 → 数据集成与处理 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。
42010编辑于 2025-11-13 - 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 第二章：AI辅助测试自动化框架的核心概念与架构 2.1 AI辅助测试自动化框架的基本概念 AI辅助测试自动化框架是指将人工智能技术与传统测试自动化框架相结合，利用AI的感知、理解、学习和决策能力，实现测试自动化的智能化 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 第七章：AI在测试结果智能分析中的应用 7.1 测试结果智能分析与可视化 AI在测试结果智能分析与可视化中的应用主要包括： 应用场景 描述 AI技术 价值 测试结果自动汇总 自动汇总测试执行结果 结果汇总
1.2K10编辑于 2025-11-13 - 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 二、智能认知的三次范式转移1. 机械时代：计算即智能（1943-1997）冯·诺依曼架构下的AI如同精密的发条装置，深蓝战胜卡斯帕罗夫的本质是每秒2亿步棋局计算的暴力破解。 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. 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？"
58210编辑于 2025-03-30 - 来自专栏AI SPPECH
AI驱动的测试环境管理：智能环境配置与维护
随着人工智能技术的快速发展，AI驱动的测试环境管理正在成为解决这些挑战的有效途径。 AI驱动的测试环境管理利用机器学习、深度学习、自然语言处理等AI技术，实现测试环境的自动配置、智能部署、动态调整、资源优化和故障诊断，显著提升测试环境管理的效率和效果。 第三章：AI在测试环境部署与维护中的应用 3.1 基于AI的测试环境部署自动化 基于AI的测试环境部署自动化是利用AI技术，实现测试环境部署过程的自动化和智能化，包括部署流程优化、部署策略选择、部署进度监控等 以下是对AI与测试环境管理融合的展望： 智能编排与调度：AI将能够更智能地编排和调度测试环境资源，考虑更复杂的约束和优化目标，实现全局最优的资源分配。 结论 AI驱动的测试环境管理是测试领域的重要发展方向，它通过应用人工智能技术，实现测试环境的自动化、智能化和优化，提高测试效率和质量，降低测试成本和风险。
31310编辑于 2025-11-13 - 来自专栏muller的测试分享
探索人工智能在测试领域的新纪元：AI编写测试用例的前景
简介测试用例是测试人员的核心工作内容，是测试人员思想的“实现类”，其充分体现了测试的思路，可以为后续的测试行为提供指导，是测试人员了解业务的重要根据和质量之根本。 ——引用自《饿了么质量体系搭建实战》一个测试用例通常包含以下要素：测试模块测试标题前置条件测试步骤预期结果实际结果当然，有些测试用例可能还包含执行人等，可以根据自己的公司的需求，定义好测试用例的格式要求 要求测试用例包含以下信息：测试模块、测试标题、前置条件、测试步骤、预期结果、实际结果。 测试用例输出的格式使用 markdown 的表格格式根据您提供的需求，以下是两个测试用例示例，分别覆盖了关键词精确匹配和模糊匹配。测试用例的格式采用Markdown表格格式。 ### 测试用例 1：关键词精确匹配| 测试模块 | 测试标题 | 前置条件 | 测试步骤
54010编辑于 2024-04-22 软件测试 + AI
前言人工智能的引入为软件测试带来了巨大的变革，不仅提升了测试效率和准确性，也为软件质量的保障提供了新的手段。 二、人工智能的引入①定义人工智能（AI，Artificial Intelligence）旨在使机器能够模拟和执行人类的智能活动。 ②作用提高速度和效率缺陷预测与分析③AI应用于软件测试的方式AI通过与测试工程师的互动来增强测试过程。通过输入具体的指令（Prompt），工程师可以指导AI生成所需的测试用例、报告或分析。 ④AI赋能软件测试的具体应用需求评审：AI可以帮助分析需求文档，识别潜在的模糊或不一致之处，提高需求的明确性。测试计划编写：AI可以根据项目需求和历史数据生成测试计划，节省时间并提高效率。 测试用例设计：通过自动生成测试用例，AI能够快速覆盖各种场景，尤其是在面对复杂系统时。测试报告生成：AI能够自动整理测试结果，并生成易于理解的报告，帮助团队做出决策。
72821编辑于 2024-09-18- 来自专栏ATYUN订阅号
AI Benchmark可以测试智能手机的神经网络性能
所有这三种市场硬件架构都可以加速计算机视觉，自然语言处理以及智能手机，平板电脑和其他移动设备中的其他机器学习任务。麻烦的是，这些是对经验基准测试的挑战，这可能使开发人员难以针对特定平台优化算法。 苏黎世联邦理工学院的研究人员正试图通过一款名为AI Benchmark的安卓新应用来解决这个问题，他们希望这将成为一个为大众普遍接受的测试套件。 AI Benchmark评估智能手机在一系列开源算法中的表现，这些算法执行图像分类，面部识别，图像超分辨率以及照片增强，分割和去模糊。 它甚至测试了自动驾驶汽车中使用的神经网络的性能，研究人员预测这种神经网络最终可能会在与智能手机相媲美的芯片上运行。 三星的处理器仅支持从Android 8.1开始的人工智能加速，并且由于功耗优化和节流，性能变得显著，在某些情况下高达50％。
1.7K50发布于 2018-08-06 - 来自专栏ceshiren0001
Playwright携手MCP：AI智能体实现自主化UI回归测试
随着大语言模型（LLM）和AI智能体（Agent）技术的快速发展，一种全新范式正在形成：由AI驱动Playwright执行测试任务。 报告：根据验证结果生成最终测试报告。三、光鲜背后的荆棘：深度解析实战痛点尽管前景诱人，但将AI智能体用于实际UI自动化测试目前仍面临巨大挑战。1. 对于需要复杂状态管理、条件判断、数据Mock的测试场景（如测试一个有多步向导的表单，或处理文件上传），AI智能体很容易“迷路”，需要极其详细和复杂的提示工程（Prompt Engineering）才能完成 四、结论：双刃剑的权衡与未来Playwright MCP与AI智能体的结合，无疑为自动化测试打开了一扇新的大门，尤其适用于：快速探索性测试：无需编写脚本，快速验证新功能或页面。 未来的发展方向在于人机协同：人类工程师定义测试策略、准备测试数据、设置稳定的测试标识（data-testid）；而AI智能体则负责执行重复性高、步骤固定的流程，并将发现的异常提交给人类决策。
3.8K00编辑于 2025-09-06 - 来自专栏算法之名
AI智能体
langchain 概述 langchain是LLM与AI应用的粘合剂，是一个开源框架，旨在简化使用大型语言模型构建端到端应用程序过程，它也是ReAct(reason+act)论文的落地实现。 chains，langchain把提示词、大语言模型、结果解析封装成chain，并提供标准的接口，以便允许不同的chain形成交互序列，为AI原生应用提供端到端的chain。 content='Hi.'), SystemMessage(content='你的角色是一个诗人.'), HumanMessage(content='用七言绝句的形式写一首关于AI messages) print(response.content) 这里的 ZHIPUAI_API_KEY 需要你自己去智普网站 https://open.bigmodel.cn 去注册就有，运行结果 智能助手显神通 的诗')] streaming_chat(messages) 运行结果 智能助手显神通， 问答之间意无穷。
76610编辑于 2024-09-29
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