AI赋能软件测试培训2中心

主题

内容概要

AI赋能测试基础知识​

- 基于大语言模型的生成式AI
- 大模型常见概念（Token、微调、Few-shot Learning）
- 推理型大模型定义
- OpenAI与DeepSeek对比（架构、性能、成本）
- 常见国产模型（ChatGLM、Qwen、Baichuan）
- 乔哈里视窗对AI赋能软件测试的意义
- 乔哈里视窗在软件测试中的应用示例
- DeepSeek-R1为代表的新一代推理大模型
- 模型分类（通用型/垂直领域）
- 模型的开源（LLaMA）与闭源（GPT-4）
- 大模型问题：幻觉、窗口长度、最大输出限制
- 模型间差异和换模型引入的问题
- 私有部署的问题（算力、数据隔离）

测试用例自动化生成方法

- 模板适配策略（等价类、边界值）
- 高覆盖率用例生成逻辑
- 演示：FastGPT生成大数据场景测试用例

测试结果分析与改进方案

- 缺陷根因定位（代码逻辑、环境配置）
- 可视化工具应用（热力图、趋势预测）
- 质量改进措施（代码优化、场景补充）

AI工具集成与定制化适配

- FastGPT测试智能体搭建（术语训练、Prompt优化）

端到端AI测试流程实战

- 综合案例：从需求→用例→报告的完整流程
- 效能验证与适配建议

答疑与场景化讨论

- 企业现有流程的AI融合痛点分析
- 工具兼容性与数据安全答疑