AI 构造测试数据

十二测试录

于 2025-11-10 10:36:41 发布

阅读量140

点赞数 4

CC 4.0 BY-SA版权

分类专栏： AI赋能测试文章标签：人工智能 ai AIGC 自动化 sql

本文链接：https://blog.csdn.net/qq_22964783/article/details/154640391

AI赋能测试专栏收录该内容

12 篇文章 ¥39.90 ¥99.00

订阅专栏

超级会员免费看

作为软件测试工程师，在日常工作中经常会用到一些测试数据。

一、提示词驱动生成

适合生成结构化 / 非结构化数据（如 JSON、CSV、文本），典型工具：ChatGPT、Claude、Deepseek等。

场景案例：

很多时候，我们做一些数据演示，需要真实的数据，而不是「张三，李四，王五」。

以前传统的生成方式是：Excel随机生成数据，现在DeepSeek一句话就可以搞定，这个场景，非常方便。

输入提示词：

帮我随机生成100个学生姓名，我用来做数据演示。3个字的名字，看起来像真实的姓名

输出示例：

二、使用自己开发的测试数据生成工具

针对一些测试通用数据或特定项目（大型项目或项目周期较长，需要多个迭代版本测试），可以使用Deepseek、Trae、Cursor等工具来开发一个测试数据生成工具。

1、通用型测试数据生成工具

这里分享一个我用DeepSeek10分钟给自己开发了一个通用型「测试数据生成工具」。

场景案例：

了解本专栏

订阅专栏解锁全文

超级会员免费看

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

十二测试录

关注关注

4
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

订阅专栏

SpringAI整合deepseek的一个简单入门案例

shenxiaomo1688的博客

11-09

351

temperature值越高‌，生成的文本越多样化，但也可能包含更多的随机性和不可预测的内容。1、本文大模型以deepseek为例，需提前到DeepSeek官网申请到key。值越低‌，生成的文本越接近于确定性的结果，即生成的文本会更加一致和可预测。二、配置springai的api地址和key,这里以deepseek为例。2、本文采用的调用deepseek在线api的方式。1.api-key需替换为自己在deepseek上申请到的key;2.关于temperature参数说明，请参考下文和项目需要进行配置。

AI 编程翻车实录 - 智谱 GLM 4.6 给的自信

0x0007 的博客

11-09

677

一位资深Windows程序员分享了他在AI辅助编程(GLM-4.5/4.6)下的开发体验。在熟悉领域(Windows桌面宠物开发)中，AI能完美辅助完成技术调研、原型开发和文档编写，显著提高效率；但在陌生领域(鸿蒙APP开发)则因基础知识缺乏而遭遇瓶颈。作者得出结论：AI是强大的能力放大器，在熟悉领域能锦上添花，但对完全陌生的领域仍需基础学习才能有效协作。这种体验展现了AI编程的潜力与局限，提示开发者既要善用工具也要夯实基础。

参与评论您还未登录，请先登录后发表或查看评论

PAB-Mamba-YoLo: VSSM 辅助 YOLO 用于断奶仔猪攻击行为检测

AI浩

11-08

815

仔猪间的攻击行为被认为是一种有害的社会接触。监测具有强烈攻击行为的断奶仔猪对于生猪育种管理至关重要。本研究引入了一种新颖的混合模型 PAB-Mamba-YOLO，该模型集成了 Mamba 和 YOLO 的原理，用于高效视觉检测断奶仔猪的攻击行为，包括爬跨身体、鼻部撞击、咬尾和咬耳。在所提出的模型中，开发了一个新颖的 CSPVSS 模块，该模块将跨阶段部分（CSP）结构与视觉状态空间模型（VSSM）集成在一起。

九种高级 RAG 技术及其实现方法

11-06

1260

本文介绍了9种提升检索增强生成(RAG)系统性能的高级技术，包括文本分块、重新排序、元数据利用、混合搜索、查询重写、自动裁剪、上下文蒸馏以及LLM和嵌入模型微调。这些技术通过优化检索相关性和排序质量，解决基本RAG系统存在的噪声结果、无关上下文等问题。文章还推荐了Meilisearch、Weaviate等实现工具，并强调需要通过检索准确性、延迟等指标评估技术效果。这些方法能让RAG系统从简单检索升级为智能理解用户意图的上下文感知系统，显著提高生成质量。

第七章（三）VLA

qq_37087723的博客

11-04

904

VLA模型介绍，主要是RDT和pi0

Python编程基础

t358143105的博客

11-08

508

本文介绍Python编程基础，内容包括： Python简介及其特点（简洁易读、跨平台等）环境搭建（各系统安装方法及开发工具推荐）基础语法（变量、数据类型、运算符）数据结构（列表、字典、元组、集合）控制流程（条件语句、循环）函数编程（定义、lambda表达式）面向对象（类、继承）文件操作（读写）异常处理（try-except）模块和包（导入、自定义）高级特性（装饰器、生成器）实战项目（简易待办应用）以代码示例为主，适合Python初学者快速掌握核心概念。

从零开发直播美颜sdk：核心功能模块、架构设计与跨平台技术方案详解

q1031691172的博客

11-05

1217

在当下的直播与短视频浪潮中，“颜值即生产力”。一款优秀的直播美颜SDK，不仅能显著提升用户体验，更是直播平台拉新与留存的关键技术。本文将从开发者视角，拆解直播美颜SDK的核心功能模块、底层架构、跨平台实现思路与性能优化方案。

【PaddleOCR-VL】基于PaddleOCR-VL构建论文格式规范器

这里有最新的AI应用资讯，这里有最全的AI应用体验场景.

11-04

983

摘要：本项目开发了一个基于PaddleOCR-VL和大语言模型的智能文档转换系统，可将学术论文PDF自动转换为标准LaTeX格式。系统通过OCR识别文档中的文本、表格、公式等多模态内容，经Markdown中间格式处理后，利用大模型完成LaTeX格式转换。该系统支持109种语言文档处理，显著提升学术文档准备效率，适用于期刊投稿、会议论文等多种场景。关键技术包括轻量高效的PaddleOCR-VL(0.9B参数)文档解析、智能分段处理和大模型驱动的格式转换，实现从PDF到LaTeX的端到端自动化流程。

《解码者：暗流》

2401_83847752的博客

11-07

369

2023年的某次提交中，一个维护者将原本正确的 preset-jetson-h265 改为了 preset-jetson-hevc，commit message写着："fix typo in jetson preset name"——他误以为 h265 是拼写错误。当她的脑波与GPU时钟同步时，监控画面突然清晰起来——无数半透明的人影在海底城市间游弋，他们的语言是光的波动，是水的韵律。"是啊，"马珞媛轻声说，"但NVIDIA驱动真正的标识符是 preset-jetson-h265，不是 hevc。

三轴云台之动态稳定技术

SKYDROID666的博客

11-04

720

智能算法：结合深度学习（如CNN、Transformer架构）实现目标在遮挡、变形等场景下的持续跟踪，孪生网络（Siamese Network）在COCO数据集上实现70%以上的平均精度（mAP）。视觉传感器：如1/2.3英寸CMOS支持4K/60fps视频输入，结合目标特征提取（SIFT、HOG）与深度学习（YOLO、SSD），实现多目标识别与动态跟踪。三轴云台由横滚轴（Roll）、俯仰轴（Pitch）、航向轴（Yaw）三个互相垂直的框架构成，每个轴配备独立驱动系统（如无刷电机+编码器），实现运动解耦。

强化学习状态空间建模：RSSM和PyTorch（2）

renjt01的博客

11-06

135

面向强化学习的状态空间建模：RSSM的介绍和PyTorch实现（2）一、奖励模型实现二、动态模型的实现三、RSSM 整体架构

人工智能备考——4部分总结

最新发布

m0_63174442的博客

11-09

因为这部分其实就是总结或者根据题目内容补全文档比较简单，就简单说明一下第四部分就是在文档里填充内容，问题不大，对着答案多练练就好了基本上可以按照以下思路去回答人工是让你写学习目标，那么就把后面的内容里面所有东西，提取精炼一下总结成一句话写在上面就好了。

如何提升自动化业务流程的效率？

2501_90204254的博客

11-04

812

在数字化转型浪潮下，提升自动化业务流程的效率显得尤为重要。本文将探讨如何通过先进的技术手段整合业务流程，实现自动化应对，提高工作效率与准确性。同时，将分享具体案例和最佳实践，为企业数字化建设提供实用指导。

突破AI助手成本壁垒：知识图谱思维架构让小模型实现大性能

11-09

1053

苏黎世联邦理工学院提出知识图谱思维（KGoT）架构，通过动态构建知识图谱增强小型语言模型的推理能力。该方案在GAIA基准测试中任务成功率提升29%，运营成本降低36倍以上，为AI助手规模化应用提供经济可行的解决方案。KGoT采用模块化设计，支持多模态查询和并行处理，将推理过程外部化到显式知识图谱中，提高透明性和可解释性。实验表明其性能优于现有代理方案，在SimpleQA基准测试中准确率达73.21%，成本仅为传统方法的三分之一。未来可扩展至科学发现、软件设计等领域。

50_AI智能体运维部署之集成LangSmith实现全链路追踪：AI系统的可观测性实践

在科技的浪潮中，我们寻找着创新的火种，在代码的海洋里，我们编织着智慧的网。腾飞开源，就是这样一个由技术精英汇聚而成的博客平台，我们致力于分享在Java、Python、IoT和人工智能等领域的最新研究成果和实战经验。在腾飞开源的博客上，你会看到紧跟技术前

11-08

196

本文介绍了集成LangSmith实现AI系统全链路追踪的工程实践。通过配置驱动的追踪启用机制，为智能对话系统提供完整的可观测性能力。系统支持环境感知的追踪管理、性能瓶颈诊断和错误根因分析，已成功追踪50万次AI调用，识别12个性能瓶颈，提升系统性能35%。该方案实现了从猜测调试到数据驱动优化的工程文化转变。

图神经网络应用场景

羽球小鼠的博客

11-06

979

任务级别目标核心应用场景节点级别预测每个节点的属性/类别社交网络用户分类、引文网络论文分类、欺诈检测边级别预测节点间是否存在边社交推荐、知识图谱补全、药物相互作用预测图级别预测整个图的属性分子属性预测、蛋白质功能预测、代码漏洞检测总而言之，只要你的数据中包含着重要的“关系”或“交互”信息，并且这些信息可以自然地表示为图结构，那么GNN就是一个非常强大和合适的工具。它已经成为分析复杂关系数据的首选深度学习框架。

光谱分析论文收集

m0_73879806的博客

11-07

733

高光谱成像技术结合机器学习在食品风味分析中的应用摘要：近年来，高光谱成像(HSI)技术与机器学习相结合，在食品风味分析领域展现出广阔应用前景。多篇研究表明，紫外-可见-近红外波段HSI能有效检测食品中风味化合物含量和品质特征：在麦芽威士忌中实现酚类化合物99.8%分类准确率；结合1DCNN可识别86-91%的鲑鱼异味；优化后的模型对绿咖啡豆风味分级准确率达97-100%。针对掺假检测，麻雀搜索算法优化的SVM模型在风味香精干扰下仍保持99.79%判别精度。新技术克服了传统方法的破坏性、耗时等缺点，为食品风

TGRS 即插即用 | 超越传统U-Net！ASCNet融合小波变换与全局注意力，重新定义图像修复范式

AImokuai的博客

11-05

717

本文提出ASCNet，一种红外图像去条纹的非对称采样校正网络。创新点包括：1）采用DWT下采样与像素重组上采样的非对称架构，避免传统小波U型网络的语义偏差；2）设计残差哈尔小波变换采样器，结合模型驱动与数据驱动优势；3）构建列非均匀性校正模块，通过多维度特征融合实现精准去噪。实验表明，该方法能有效消除条纹噪声并保留纹理细节，显著提升下游任务性能。ASCNet提供不同规模版本，兼顾性能与部署效率，适用于红外成像系统预处理。

深入解析U-Net

四哥的专栏

11-06

534

U-Net 是一种“U形”编码-解码网络，靠保留细节。最初用于医学图像分割，现在广泛用于生成模型（如 Stable Diffusion 的核心去噪模块）。在 SD 中，U-Net 接收带噪 latent 和文本提示，预测噪声，反复迭代得到干净 latent。它不是大模型本身，但却是大模型（如 SD）能高效高质量生成的关键组件。参考深入解析U-Net：图像分割的经典架构与应用 - 知乎。

AI智能测试数据构造

08-28

AI智能测试数据构造是指为AI系统或模型创建合适的数据集，以确保其能够有效地训练和测试。这个过程涉及多个方面，包括数据收集、数据预处理、数据增强以及标签的分配等。构造智能测试数据的目的在于模拟现实世界的多种情况，以便AI系统能够在尽可能多的场景中表现良好。智能测试数据构造通常需要遵循以下步骤： 1. 确定测试目标：首先需要明确测试的目标和需求，了解需要测试AI系统的哪些功能和性能指标。 2. 数据收集：根据测试目标收集大量相关数据。数据可以来源于公开数据集、用户行为日志、传感器记录等多种渠道。 3. 数据预处理：对收集来的原始数据进行清洗，去除无关或错误的数据，进行必要的格式转换，以适应模型的输入要求。 4. 数据增强：通过旋转、缩放、裁剪、颜色变换等方法增加数据的多样性，从而提高模型的泛化能力。 5. 标签分配：为数据分配正确的标签，这对于监督学习算法尤为重要。标签的准确性直接关系到模型训练的效果。 6. 数据集划分：将数据集分为训练集、验证集和测试集，确保模型训练和评估的有效性。