课程 ID: 17527
描述:
案例背景:
大模型的语义理解、代码理解、文本生成等能力日趋强大，是提升测试效率及质量的超强助力。在测试在线化、数字化基础设施和资产沉淀逐渐完善的基础上，测试智能化变革的时机已经成熟。基于此，百度智能化测试研发团队持续探索大模型应用测试领域的可行性，并希望在生成式AI技术的加持下，重构测试关键环节，创新人机协同工作模式，大幅提升测试效率。
解决思路:
基于业务知识、测试规范、测试代码知识，通过模型训练和检索增强生成，提升测试效果；同时结合测试评审、执行等测试流程中的数据的工程化处理，让模型更懂业务测试场景，带来更流畅的智能体验。通过将需求文档、接口文档、历史业务数据、历史用例、接口文档、测试代码等知识进行清洗、分类、抽取，将不同的知识通过模型训练和检索增强让模型更理解业务，基于CoT、ToT等推理指导范式，将需求文档进行有层次的拆分，通过预测反思，引导大模型完成从需求理解到用例生成、评审、修复的整个过程。通过AI赋能测试关键环节效率提升，增强测试工程师幸福感。
成果：
通过和百度各体系主要业务，如百度飞桨Paddle、文心一言、百度自动驾驶、百度地图等合作共建，打造落地标杆。智能测试场景覆盖UI测试、接口测试、APP测试、仿真测试等不同场景。帮助业务线测试人员，在需求理解、用例生成、用例评审、用例修复等多个测试阶段实现智能测试，整体采纳率40%+。通过能力中心开放通用测试能力配置，开发者实现了轻松构建更适配自己业务场景的智能测试能力，智能测试能力中心至今已接入需求拆解、用例生成、用例改写、接口低代码用例、接口数据驱动用例、端到端自动化用例等30+项原子化智能测试能力，覆盖手工用例生成、接口用例生成、自动化用例生成。