【测试目标】

一、业务

1. 需求承接
2. 线上问题、线上责任故障、客诉

二、稳定性

(一) 压测、演练

(二) 质量右移：

1. 定期复盘、压测演练复盘

(三) 覆盖率：

1. 单测覆盖、集测覆盖

(四) 质量左移：

1. 冒烟用例、自动化冒烟用例（通过率），提测、发布卡点

(五) 发布三板斧：监控、灰度、应急

(六) 监控告警：补齐、降噪、有效

1. 异常告警：处理逻辑、外部依赖等高可用场景异常能够触发告警
2. 异动告警：水位下跌超过阈值，流量异常波动能够触发告警

(七) 数据质量：ODPS数据，flink任务等

1. 数据质量的方法论、工具服务，包括但不限于：数据规则校验，数据巡检，数据监控，数据攻防，数据链路稳定性保障等。基于大数据特性也催生了一波测试智能化方案，如核对自动推导，自动攻防等
2. 数据探查
3. 四个方面衡量数据质量问题：

1. 1. 准确性：数据信息符合业务预期，是否有冗余数据
   2. 一致性：列表和详情的数据一致，上下游数据一致
   3. 及时性：数据能够及时产出
   4. 完整性：数据记录完整

(八) 质量流程优化

(九) 技术风险：

1. 线上质量专项：快速发现、及时应急
2. 技术风险工作，可按阶段分为风险识别，预防，发现，止血，定位，恢复，预案演练、红蓝攻防等。类比测试阶段的单元测试、接口测试、集成测试、系统测试、用户测试
3. 定位、止血、恢复（数据恢复到故障前的状态）

三、提效&工具

(一) 大模型探索、大模型的使用场景

1. 大模型质量复盘，对bug进行分析和整理，给出提升质量的建议

(二) 接口自动化用例，对应用例实验室，自动化用例通过率

(三) 智能化测试

1. 目前看得到的一些探索有：用例自动生成、用例自动校验（通过图像识别做UI自动校验，通过数据关系推导做数据自动校验等）、用例失败自动定位、用例自动修复等
2. 要具备数据算法能力