- 综合排序
- 最热优先
- 最新优先
- 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。
87720编辑于 2023-05-08 - 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：
41910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。 安全可靠测试体系 • 全流程可追溯：从需求关联到测试执行，每一步操作均可审计 •支持私有化部署：平台支持本地部署，支持接入私有化大模型，充分保障数据安全 五.周期和适合人群 上课周期持续3.5-4个月
1K11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。 ... ...
51830编辑于 2023-08-04 - 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。 GAME AI SDK平台核心部分架构 GAME AI SDK 平台的核心部分的架构图如图2所示： 图2 GAME AI SDK平台架构图 GAME AI SDK 底层使用的是 TensorFlow 平台和 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。
8.3K22发布于 2020-12-23 - 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。
49700编辑于 2025-02-18 - 来自专栏老张的求知思考世界
AI驱动的企业级全链路测试平台落地案例
AI智测平台产品介绍 AI智测平台是一款基于AI多智能体协作技术，能够进行需求分析，用例生成，用例评审，自动生成测试脚本，自动执行，报告分析，性能分析，造数等综合平台。 等多种格式 6.灵活配置 支持自定义测试要求，满足特定场景和性能需求 二.智能工作流程 平台通过三个智能体协作完成API测试用例生成: 1.文档解析专家 分析API文档结构，自动提取和解析接口信息、参数定义和响应格式 AI接口自动化测试 AI驱动的自动化API测试，支持API文档自动解析，智能生成接口测试用例和对应的测试脚本，自动执行接口自动化测试并生成详细的结果报告和AI分析： 1）自动解析文档：仅需输入API 文档的在线地址 MCP集成功能 平台提供MCP工具集合，通过标准化协议将各类实用外部工具深度集成到智能体工作流中，构建完整的AI工具生态体系 Synth MCP Server：一个强大的合成数据生成器，它通过声明式的方式定义数据模式 安全可靠测试体系 • 全流程可追溯：从需求关联到测试执行，每一步操作均可审计 •支持私有化部署：平台支持本地部署，支持接入私有化大模型，充分保障数据安全
1K10编辑于 2025-10-10 软件测试 + AI
通过结合AI与传统测试方法，企业能够更有效地应对复杂的开发环境，从而提高最终产品的质量和用户满意度。一、软件测试软件测试是软件开发中至关重要的一环，主要目标是查找软件中的缺陷（bug），保障软件质量。 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。 自动化测试：AI赋能的自动化测试不仅可以执行重复性测试，还能在代码更新时自动调整测试用例，确保持续集成的有效性。业务代码编写：AI能够协助开发人员编写代码，并提供实时的错误调试和注释建议。
71621编辑于 2024-09-18- 来自专栏测试开发社区
花椒测试平台 - 接口篇
背景 先来说说花椒测试平台的由来： 目的1，降低接口测试对测试人员代码能力的要求。 既然接口的测试已经有case的信息了，对接口进行压测的请求其实也类似一个case，只不过是有很多人在同时执行这个case，所以有了压力测试和接口测试平台的整合。 在平台建压测任务的时候选定一个测试用例为载体，多并发的执行case，统计压测数据，实时展示。以往接口测试和压力测试都是分别写一个方法，里面有很多重复的部分。 花椒测试平台整个框架 说了这么多，先来看看花椒测试平台的整个框架： ? 该框架主要由三大部分组成，今天主要介绍接口部分的一体化（接口测试+压力测试）： Web平台 Web平台是花椒测试平台的核心部分，主要是给测试开发人员提供可视化的界面操作，并封装为参数信息，调用后端的接口服务处理
1.4K20发布于 2019-11-20 - 来自专栏FreeBuf
打造最强移动测试平台
笔者今年换掉了服役N年的旧手机，新手机12G的RAM，比自用的本子内存都大，如果只是玩游戏感觉不能完全发挥出全部机能，但又因为怕影响日常使用没有进行root，经过一番折腾，发现即使不root也不影响把它变成一款测试利器 安卓虚拟机 移动应用测试肯定是需要一个root环境，很多人选择用安卓模拟器，笔者为了使用WSL2启用了Hyper-V，导致与绝大多数的安卓模拟器冲突，从此告别安卓模拟器。 后来发现安卓平台也有虚拟机，目前共有VMOS、光速虚拟机、X8沙箱三款产品。其中VMOS分普通版和Pro版，Pro版非会员支持选择ROM，也可以导入网友提供的ROM，其他虚拟机皆内置ROM无法修改。 想一下手机里跑个虚拟的安卓系统，带root环境且与本机隔离，简直是移动测试的最佳方式。 下图是笔者四个虚拟机同时小窗开启的，独立互不冲突，加起来内存占用可能还不到1G，毫无压力。 ? 详细使用可参考作者写的系列文章https://juejin.im/post/6844903745562607624 结束 到这里本文就结束了，希望能起到抛砖引玉的效果，如果你还有更好用的移动平台安全工具
5.2K30发布于 2020-08-17 - 来自专栏坚毅的PHP
开放平台接口调用测试
遇到的问题：Node.js JSON parsing error，syntax error unexpect end of input 测试代码 //测试/statuses/public_timeline json.loads(data) print data['statuses'][0]['source'] conn.close() nodejs sdk只有对接口输出的示例代码，没有重新解析为json对象的测试
3.2K60发布于 2018-03-20 - 来自专栏CKL的思考空间
接口测试平台演进思考
很多小伙伴都比较关心如何构建一个接口自动化平台，笔者恰好有从零开始搭建自动化测试平台直到产品商业化的过程经验，可以和大家分享下。 技术上基本没什么大问题，都是基于底层框架原生的能力，做了前端的封装，降低测试人员的使用门槛，让测试人员理解、接受接口测试思想，并指导他们使用平台，设计接口测试用例，让接口测试真正落地并产生效果。 什么是好用，用户说了算，所以团队花了比较多的时间去落地平台，去分析测试人员的痛点和难点，结合自身的经验和能力，一点点的补充平台功能。 NO.5 个人与平台 我们回到最初的那个话题，当我们采用平台化来做专项测试时，封装好功能，降低对测试人员的要求，只要通过页面编排就能够执行相关的测试。那么，测试人员如何提升自己呢？ 如果只会依赖公司平台开展专项测试，那是平台的能力，而不是个人的能力。
57720编辑于 2023-02-01 - 来自专栏runnergo
开源测试平台RunnerGo分析
作为一名工作3年的测试工程师，一直以来对于测试工具都是非常不满意的。 最近试用了一款开源测试平台RunnerGo，个人觉得它更像是所有测试工具的一个发展方向：一款可以覆盖整个测试流程的测试平台，下面给大家介绍一下推荐他的原因，先附上RunnerGo的官网和开源地址。 平台化：团队协作一定是互联网工具的发展方向，平台化才能更好的推动协作。全栈式：支持从接口调试-场景管理-性能测试-自动化测试。一个平台覆盖全测试周期。 RunnerGo相较于传统测试工具的优势RunnerGo作为web平台能在线做到接口管理，脚本编辑，场景编辑，报告管理这是传统测试工具不具备的。 个人觉得RunnerGo的设计理念非常领先，作为一个刚刚发布的平台已经有了未来测试工具的雏形，也希望随着版本迭代RunnerGo的功能越来越完善。
1.3K30编辑于 2023-03-21 - 来自专栏雷子说测试开发
异常测试平台搭建方案
作者|陈俊华、刘琳琳 异常测试是有别于功能测试和性能测试的一种测试类型，通过异常测试，可以发现由系统异常、依赖服务异常、应用本身异常等原因引起的问题，提高系统的稳定性。 目的 在日常测试中，由于排期紧张以及异常情况难以模拟，异常测试通常被大家忽略或者放弃。只要功能没问题，就可以上线。 但是线上情况千奇百怪，服务器宕机、用户走到代码的犄角旮旯、三方服务挂掉等情况无可避免，因此对于系统的健壮性和稳定性，异常测试不可或缺，但异常测试往往是通过让研发预留bug、注释代码、到测试机上杀死服务等方法进行 异常测试平台搭建的目的就是降低异常测试的门槛。 工具选型 目前异常测试工具有很多，比如模拟网络异常的tc（Traffic Control）、netem和iptables，模拟代码注入故障的jvm-sandbox，以及在生产环境随机模拟故障的Chao
1K10发布于 2021-03-12 - 来自专栏charlieroro
混沌测试平台 Chaos Mesh
混沌测试平台 Chaos Mesh Chaos Mesh 是PingCap团队研发的一款用于测试kubernetes环境的工具。通过人为地在集群中注入故障来检测集群对故障的处理以及恢复能力。 混沌测试与针对某个应用测试的区别为：前者更倾向于在现有大规模集群中进行测试，影响因素可能来自集群中的方方面面；而后者更专注于对应用本身功能的测试。 目前支持的混沌测试如下： # kubectl get crd NAME CREATED AT iochaos.chaos-mesh.org cron: "@every 5m" 总体来说，混沌测试更像是集成验证的一部分，通过在现有运行环境中注入故障来发现系统或应用的兼容性问题，故障恢复能力问题等。
3.1K20发布于 2020-07-30 AI质检平台系统
一、核心优势解析相较于传统质检模式，AI解决方案在核心功能模块上实现突破性提升：缺陷识别方面，传统模式受人员疲劳影响漏检率高，AI系统可7×24小时稳定输出检测结果，确保检测一致性；标准一致性上，传统模式因人员经验差异导致判定基准不一 ，AI通过统一算法模型确保判定基准恒定，减少人为偏差；追溯管理中，传统纸质记录易丢失，AI实现全链路数据云端存档可溯，方便质量回溯；响应速度上，传统批量处理周期长，AI达成毫秒级实时反馈生产线状态，提升生产效率 四、柔性部署方案支持与MES系统、ERP平台的无缝对接，既可作为独立质检工作站运行，也能嵌入现有生产流程形成闭环管控。 开放的开发者平台支持客户自主训练专属模型，形成具有自主知识产权的智能质检体系。这种可生长的技术架构确保系统始终处于行业前沿水平。 专业团队提供驻场辅导服务，协助完成从旧系统切换到新平台的平滑过渡。十一、未来展望随着边缘计算与5G技术的普及，AI质检系统将向移动端延伸，实现车间级的即时响应。
42710编辑于 2025-10-16- 来自专栏测试开发技术
LLM+RAG：AI生成测试用例智能体平台 (保姆级教程)
一、系统概述 AI生成测试用例智能体平台是一款基于人工智能技术的测试用例自动生成工具，利用RAG（检索增强生成）技术，能够结合项目相关知识文档和历史用例，智能生成高质量的测试用例。 本平台适用于测试团队快速创建测试用例，提高测试效率和质量。 主要功能 自动从需求文本生成结构化测试用例 支持多种文档格式的知识库导入和检索 结合历史用例和知识文档增强测试用例生成质量 支持多种AI大语言模型接入（本地、线上） 提供多种用例导出格式（Excel、JSON （如启用了增强功能） 3、调用AI模型生成测试用例 4、生成完成后显示结果，并自动保存到历史记录中 5、点击导出按钮，可直接导出Excel测试用例 4.4 查看生成结果 结果以四种形式展示： 表格视图： 在团队间共享和复用知识库，避免重复工作 通过本文档，相信你应能够快速上手LLM+RAG的生成测试用例智能体平台，高效地生成和管理测试用例。
6.8K611编辑于 2025-06-25 - 来自专栏测试开发技术
2025 年颠覆测试行业的 10 大 AI 自动化测试工具平台（上篇）
各位看官，等着急了吧，之前有粉丝后台留言，想了解学习一下，AI这么火爆，那市面上AI与自动化测试结合起来的的工具/平台有哪些值得学习的。 今天就这个话题来聊一聊。 手动编写脚本效率低、用例覆盖率不足、跨平台兼容性差等传统自动化测试痛点，也正被AI技术逐一击破。 接下来，本文将为您详细介绍 2025年备受瞩目的 10 大 AI 自动化测试工具。 篇幅较长，本文先介绍值得学习的前5款AI测试工具/平台 (文末有惊喜) 1. Testim.ai 一款 AI 驱动的自动化测试平台，专注于加速应用程序的测试流程，保障软件质量。它支持 Web 应用、移动应用及 API 等多类型应用的测试。 Testsigma 一款低代码的 AI 测试自动化平台，降低了自动化测试的技术门槛，让更多人员能够参与到自动化测试工作中。
3.2K20编辑于 2025-03-29 - 来自专栏muller的测试分享
软件测试|测试平台vue3 模版语法
最基本的数据绑定形式是文本插值，它使用的是“Mustache”语法 (即双大括号)：
99920编辑于 2022-12-29
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