软件测试新篇章：大模型技术的应用现状与实践案例解析

随着软件系统的复杂性不断增加，软件测试的重要性越来越高，测试活动将影响开发人员的工作效率，产品的可靠性、稳定性和合规性，以及最终产品的运营效率。

将大模型用于软件测试领域可以提供更高的测试覆盖率，减少不稳定的测试并加快缺陷修复过程。这有助于提高测试人员的测试质量和效率，加快缺陷修复，并确保遵守企业内外部的软件开发标准。

大模型在测试领域有两个明确值得探索的方向：

方向一：文本生成类场景。由于大模型的优势在于文本生成，因此对这类场景有较好的辅助作用，典型的场景包括生成用例描述、需求转测试用例、测试用例数据生成、Debug等，主要应用的是大模型的推理和生成文本的能力；

方向二：行为生成类场景。 目前大模型还不太具备，但未来有可能会产生颠覆。典型的场景包括用例执行、结果分析、自动程序修复析等。例如在最理想的情况下，如果想要颠覆GUI测试，不仅仅是让大模型做预测，而是大模型预测后完成执行动作。

当前，大模型在软件测试领域的应用还处在非常早期的阶段，一些头部银行和互联网大厂在探索这一方向，开发垂域测试大模型（例如中信银行“第二脑”、邮储银行“研发测试大模型”等）以及智能测试工具（百度智能测试助理TestMate、蚂蚁集团TestAgent等）。

沙丘智库长期跟踪调研大模型技术的发展，旨在帮助企业快速了解大模型最新、最全面的落地情况。沙丘智库通过研究中信银行、邮储银行、百度等企业在软件测试领域的大模型实践，旨在为其他企业提供参考。

▎案例1：中信银行测试大模型建设实践

面对银行的复杂流程，为了突破测试人员的个人能力和智力限制，提高测试人员效能，中信银行基于大模型技术和高质量数据资产，在软件测试领域打造了测试大模型“第二大脑”，探索大模型在软件测试生命周期各个环节的应用，辅助测试人员提升测试质量和效率。

短期来看（2023+），大模型将辅助测试；中期来看（未来1-3年），大模型将担任主笔测试，长期来看（未来3-10年），大模型将转变成主导测试的角色。

▎案例2：邮储银行智能测试场景大模型实践

邮储银行开发“研发测试大模型” ，打造端到端智能研发方案“智能研发测试助手”，并将智能研发测试能力融入DevOps平台、测试平台，实现测试流程的自动化和智能化，提升研发效能。

智能测试服务覆盖测试全链路的典型场景，例如：

• 测试分析： 根据业务需求、需求文档内容自动生成测试要点、测试流程图，辅助测试人员提供测试设计思路；

• 测试用例设计： 通过业务规则、交易链路、测试资产（专项知识、高质量用例等）生成测试需求用例，包括用例步骤、预期结果，部分替代了传统的手工编写方式；

• 测试数据生成： 通过规则文档、计算公式文件等内容，也可以通过输入业务逻辑、数据生成规则、计算公式、条件约束等，结合后台已定制化的Prompt模板，生成相应的测试数据；

• 测试智能问答： 实现测试相关知识的智能问答，减少文档查询时间。

▎案例3：百度智能测试助理testmate建设实践

百度开发了智能测试助理TestMate，服务于百度内部的智能测试工作。TestMate除了具备大模型的基础能力（意图识别、记忆管理、多轮交互）外，还内置了通用的测试领域知识和原子测试能力，并允许用户进一步通过能力中心自定义 Prompt、自动化用例模板、业务私域知识，自定义上下游能力组合并进行串联等，以打造业务专属的智能测试助理。

当前，大模型虽然是提效过程中的重要一环，但还需要辅以更多的工程化实践以及产品化、可视化形态。因此，在产品形态方面，智能测试助理TestMate为Prompt的输入/响应提供了丰富的可视化交互组件，通过Web UI嵌入的方式与需求管理平台用例管理平台、接口管理平台等基础设施进行联动，支持对话、智能体、智能体 Flow 等多种在线/离线生成。

一、大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

二、如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】