AI大模型在测试领域应用案例拆解：大模型赋能测试设计生成

已于 2025-03-21 17:47:06 修改
阅读量986 收藏 11
点赞数 6
文章标签： 人工智能 大模型 测试
于 2025-03-19 19:07:43 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u014715882/article/details/146376400
版权

导语：接上一期，本次拆解案例来自于2024年QECon大会北京站-字节跳动。

1. 测试设计生成背景

  • ​测试设计避免无效测试投入，测试设计是智能测试的基础。
  • ​测试设计天生具有复杂性，不仅仅只是编写测试用例。好的测试设计需要回答“测不测”、“怎么测”、“谁来测”3个问题。
  • ​在以人为主的质量保障阶段，主观判断有局限性，易受影响且依赖经验，这些正是需要大模型来解决的问题。
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

2. 探索与实践

借助大模型，构建风险识别、风险应对、测试设计3大能力，目前做的最好的还是在测试设计部分。测试设计过程中需结合前两者进行辅助重点优化。初步设想是在需求评审和排期阶段完成后，自动生成用例并推送。

在这里插入图片描述
在这里插入图片描述

3. AI工程

相比于上一期提到的趣玩科技，字节跳动的应用明显就高了一个level，毕竟地主家余粮多的事。他们并没有直接使用通用大模型，而且针对性的训练了风险分析模型和测试设计生成模型，而且搭建了一整套AI工程架构。有实力的企业可以学起来。

在这里插入图片描述
在这里插入图片描述
同时，在模型训练的过程中，还对数据质量进行了梳理和清洗。可以看到字节总共使用了55W需求数据、10W风险数据、250W用例数据。在大模型时代，数据才是关键资产，就拿其中的风险数据来说，有多少公司可以做到真正去梳理沉淀测试风险呢，又有多少公司可以完完整整写好高质量的需求规格文档呢。没有这些基础知识的沉淀，别想着AI能给你带来多大的提升，去把基础的研发测试流程建立好反而效果来得更快。

在这里插入图片描述

有了数据，接下来就是数据的处理，这里不可避免地会遇到多模态问题，就拿我们公司内部来说，测试用例的形式都各不相同，有使用Excel的，有使用思维导图的，其中还涉及截图等。这些都是要进行相应处理的。

在这里插入图片描述

关键的地方又来啦，模型训练始终绕不过Prompt优化，这个偷偷记下来吧，说不定哪天自己能用上。

在这里插入图片描述

当时对比模型的时候，DeepSeek还没出来，我相信今年他们内部肯定也会进行再次对比验证了，效果应该会提升不少。

在这里插入图片描述

RAG的检索增强技术也是少不了，基本上能想到的技术字节都给用上了，这也是大厂的底蕴。但是我不太建议所有的公司都去这么做，还是要评估自身的实力水平。我推荐的方式还是知识库外挂，模型可以随时切换，这样就能最大限度的享受大模型本身飞速发展的红利，否则训练和替换的成本会非常高。说不定哪天又出了个DeepDrink呢图片

在这里插入图片描述

4. 应用效果

说到效果，首先要明确指标，这里字节给出了几个测试设计生成评测指标，非常具有借鉴意义。
在这里插入图片描述

核心指标

指标计算公式优先级
用例采纳率（完全）采纳条数/生成总条数P0
用例覆盖率（完全）覆盖条数/需求用例总数P0
用例增益率增益条数/总条数P0
功能用例采纳率功能用例采纳条数/生成总条数P1

在这里插入图片描述

效果示例

最终的实际效果更是十分可观，需求测试及采纳率高达79%，覆盖率到了38%，而在重服务端的业务下，采纳率更是达到了83%，最终总体的需求投入下降了33%。大厂出手，不服不行。

在这里插入图片描述

在这里插入图片描述

关注公众号【关于那些的个人观点】，发送消息“智能化测试”，获取完整内容PDF

公子公子~
关注
【AI大模型企业级应用开发实战】企业级应用集成AI大模型的架构，包括大模型概述、集成实践、技术架构设计及应用场景《AI大模型应用架构（ALLMA）白皮书》
AI天才研究院
06-30 1万+
随着大模型浪潮的兴起，生产力将发生质的变化，从而引发生产力和生产关系的重塑。随着模型能力的提升和使用成本的降低，基于大模型构建应用将成为主流趋势。然而，应用层能否与大模型高效交互，将成为产品方案探索效率和效果的关键因素。因此，在模型之上的工程架构中，必须构建一套完整的大模型交互管道（Interface），将应用层（Application） 和模型层（Model）进行串联，为诸如Prompt Engineering、Fine-Tuning和模型评估等关键环节提供全面支持，以实现产品方案探索的降本增效 ....
大模型在自动化测试中的应用
AGI×大数据，开启智能时代的认知跃迁；解码AGI，赋能数据驱动的智能革命。
12-25 843
大模型，自动化测试，自然语言处理，代码生成，测试用例设计，软件测试 1. 背景介绍 在软件开发领域，自动化测试已成为不可或缺的一部分，它可以提高测试效率，降低测试成本，并确保软件质量。传统的自动化测试方法通常依赖于手工编写的测试脚本，这需要大量的开发和维护成本。近年来，随着深度学习和
AI大模型在测试领域应用案例拆解：大模型赋能UI自动化测试的方法与实践
公子公子的博客
03-24 875
大模型赋能UI自动化测试属于难度较高的领域，而且UI自动化本身也有着细分。在技术应用方面，分为界面图像识别OCR技术和界面XPath元素定位；在应用类型方面，分为基于移动APP和基于Web应用；在测试类型方面，分为探索性测试和回归性测试。而大模型赋能场景下，实际落地效果比较好的是基于图像识别的移动APP探索性测试。
AI大模型在测试领域应用案例拆解：LLM 在功能测试用例中的应用
公子公子的博客
03-19 377
计划写一个大模型赋能智能化测试的合集，分享一下各家先行者的案例，共同学习。目前网上大多数都是泛泛而谈，只是说可以借助大模型自动生成用例、脚本、数据、缺陷诊断等。但是具体怎么用，有哪些坑少有人能说出来，所以借助这个合集来分享些真正有价值的干货。本次拆解案例来自于2024年QECon大会北京站-趣丸科技。
大模型在测试中的应用：开启智能化测试新时代
测试者家园
01-13 2724
随着人工智能技术的快速发展，大语言模型（LLM，Large Language Model）如 OpenAI 的 GPT 系列、Baidu 文心一言、Qwen-2 等正在引领多个领域的技术变革。在软件测试领域，这些大模型通过其强大的自然语言处理和推理能力，为测试用例生成、自动化脚本生成、缺陷预测、测试数据生成等任务提供了全新的解决方案。大模型正以其强大的能力重新定义软件测试的多个环节，从测试用例设计到脚本生成、从缺陷预测到数据生成，其应用潜力无穷。目标：对测试结果进行分析，并生成适合管理层的测试总结。
大模型在行动：揭秘软件测试领域的创新应用
AI大模型的博客
05-10 1491
在数字化转型的大背景下，在软件定义一切的趋势下，软件测试人员需要接触和理解的信息越来越多，并呈现加速增长的态势。需求越来越大，交付周期越来越短，受制于体力和能力限制，测试人员的效率和质量难以同步提升，同时大型企业中业务流程设计和信息化分工也是阻碍测试人员继续学习和探索应用的壁垒。将大模型用于软件测试领域可以实现更高的测试覆盖率，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。
大模型在软件测试领域的应用场景有哪些？_大模型在测试领域应用
Z4400840的博客
07-03 1501
在数字化转型的大背景下，在软件定义一切的趋势下，软件测试人员需要接触和理解的信息越来越多，并呈现加速增长的态势。需求越来越大，交付周期越来越短，受制于体力和能力限制，测试人员的效率和质量难以同步提升，同时大型企业中业务流程设计和信息化分工也是阻碍测试人员继续学习和探索应用的壁垒。将大模型用于软件测试领域可以实现更高的测试覆盖率，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。
大模型在软件测试领域的应用场景有哪些？
2301_76168381的博客
06-20 1446
在数字化转型的大背景下，在软件定义一切的趋势下，软件测试人员需要接触和理解的信息越来越多，并呈现加速增长的态势。需求越来越大，交付周期越来越短，受制于体力和能力限制，测试人员的效率和质量难以同步提升，同时大型企业中业务流程设计和信息化分工也是阻碍测试人员继续学习和探索应用的壁垒。将大模型用于软件测试领域可以实现更高的测试覆盖率，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。
万字详解：AI 大模型在软件测试研发效能工具领域的应用和最佳实践指南
最新发布
AI天才研究院
04-23 116
效率提升测试用例生成速度提升5-10倍自动化脚本开发时间减少60-80%测试执行和分析时间缩短40-60%质量提升测试覆盖率提高20-40%缺陷提前发现率提升30-50%边界场景和异常测试更全面成本优化测试人力成本降低30-50%缺陷修复成本降低40-60%测试基础设施利用率提高30-40%创新能力测试策略和方法创新加速测试团队技能升级测试与开发协作模式优化AI 大模型正在重塑软件测试的底层逻辑，从“劳动密集型”向“智力密集型”转型。分阶段落地。
大语言模型Agent在网络安全领域的应用案例
AI拉呱，专注于人工智与网络安全方面的研究，关注一起学习。
02-25 115
大家好，我是AI拉呱，一个专注于人工智领域与网络安全方面的博主，现任资深算法研究员一职，兼职硕士研究生导师；热爱机器学习和深度学习算法应用，深耕大语言模型微调、量化、私域部署。曾获多次获得AI竞赛大奖，拥有多项发明专利和学术论文。对于AI算法有自己独特见解和经验。曾辅导十几位非计算机学生转行到算法岗位就业。本文章深入探讨了三个核心问题：如何构建针对网络安全的LLMs、LLMs在网络安全任务中的应用，以及该领域面临的挑战和未来研究方向。
AI大模型在数据产品报表分析中的技术方案设计与实施
AI天才研究院
03-28 91
数据产品报表作为数据的重要呈现形式，蕴含着丰富的信息和洞察。Searching for "AI大模型在数据分析领域的最新论文、主流数据产品（如Tableau、PowerBI）的AI功能演进、金融和电商等行业中AI大模型在数据分析的典型应用案例，重点筛选Gartner、IDC等权威机构的行业分析报告，并关注Google/Amazon的AI+BI解决方案"例如，对于一张销售趋势图，多模态模型可以识别图中的折线走势、数据点等信息，并将其转化为数字数据，然后结合相关的文本描述进行分析，挖掘销售趋势背后的原因。
人工智能|预训练大模型——全球医疗大模型
也许有一天我们再相逢 睁开眼睛看清楚 我才是英雄！
09-17 3108
谷歌和DeepMind的科研人员在《自然》杂志上发表了一项研究，根据其研究结果，一组临床医生对谷歌和DeepMind团队的医疗大模型Med-PaLM回答的评分高达92.6%，与现实中人类临床医生的水平（92.9%）相当。
大模型在代码缺陷检测领域的应用实践
weixin_41888295的博客
01-18 1110
例如，对于复杂的代码结构和大规模的代码库，大模型的训练和推理成本较高；一些大型软件公司纷纷推出基于大模型的代码缺陷检测服务，为企业提供更加精准和高效的缺陷检测服务。其中最具代表性的是DeepCode和SonarQube等工具，它们基于深度学习技术对代码进行自动扫描和缺陷检测，大大提高了代码质量。通过训练大规模的神经网络模型，可以学习到代码中潜在的缺陷模式，从而实现对代码缺陷的自动检测。随着代码规模的扩大和复杂度的增加，传统的代码缺陷检测方法已经难以满足需求。的出现为代码缺陷检测领域带来了新的解决方案。
大模型技术在测试领域应用的方向思考
pfm685757的专栏
03-04 2549
方向1：利用大模型技术生成测试用例方向2：利用大模型技术进行测试用例推荐大模型技术，如自然语言处理（NLP）中的大型预训练模型，如BERT、GPT等，已经在许多领域取得了显著的进步，包括语言理解、生成和问答等。这些技术也可以应用于软件测试领域，帮助生产测试用例。需要注意的是，虽然大模型技术可以生成测试用例，但并不能保证生成的测试用例是完全有效和全面的。因此，生成的测试用例仍然需要人工审查和验证，以确保其质量和有效性。此外，这种方法的成功也取决于许多因素，包括数据的质量、数量、模型的选择、训练的策略等。
“大模型+软件测试”的落地现状与实践案例
2301_76168381的博客
06-26 2525
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。等，主要应用的是大模型的推理和生成文本的能力；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。
大模型时代测试能做什么？
测试开发探秘
12-12 912
在当下大模型比较火的情况下，各行各业都在引入大模型助力自己的工作，那测试行业能做什么呢？
大模型能给大数据开发领域带来什么？
Z4400840的博客
10-07 1250
随着大数据时代的到来，数据的价值日益凸显，而如何从海量数据中提取有价值的信息成为了一个挑战。AI大模型的出现，为大数据领域带来了新的机遇和变革。本文将探讨大模型在大数据领域的应用场景，以及当前落地的情况。大模型在大数据平台开发的应用场景‍‍‍大模型在大数据开发落地情况‍‍‍‍‍‍‍‍01大模型在大数据平台的应用场景‍‍‍‍‍大数据平台在开发使用的过程中面临三大难题。以京东的大数据开发平台为例。
大语言模型 和 机械臂 如何结合
02-22
<think>嗯，用户问的是大语言模型和机械臂如何结合，我需要先理解这两个概念以及它们可能的结合点。大语言模型（LLM）像GPT这样的，擅长理解和生成自然语言，处理复杂指令。机械臂则是工业自动化中的常见设备，执行物理操作。结合的话，可能需要让LLM作为控制机械臂的“大脑”，或者优化其操作流程。 首先，用户可能想了解如何利用LLM的自然语言处理能力来简化机械臂的控制，比如通过语音或文本指令直接指挥机械臂完成任务。这可能涉及到意图识别、任务分解和路径规划。例如，用户说“把杯子放到左边”，LLM需要解析这句话，确定物体的位置，然后生成相应的控制指令给机械臂。 然后，考虑到用户可能的背景，他们可能是工程师、研究人员，或者对自动化技术感兴趣的人。他们可能想了解实际应用场景，比如工业自动化、医疗手术、家庭服务机器人等。需要举例说明不同领域的应用，这样更具体。 另外，用户可能想知道技术挑战，比如如何保证指令的准确性，避免误解导致的操作错误，或者实时性要求。机械臂的控制需要精确的坐标和动作序列，LLM在生成指令时可能需要结合环境传感器数据，如摄像头或力反馈，来调整动作。 还有可能用户关心的是交互方式，是否可以通过自然语言进行编程，降低使用门槛。例如，非专业人员可以直接用日常语言指导机械臂完成任务，而无需编写复杂的代码。这时候需要LLM将自然语言转化为机器可理解的指令，可能涉及到中间层的转换或API调用。 安全问题也是一个重点，尤其是机械臂在物理环境中操作，错误的指令可能导致危险。需要讨论如何确保LLM生成的控制指令经过验证，或者在执行前进行模拟测试。 此外，可能需要提到人机协作的场景，LLM作为中介，帮助人类和机械臂更高效地合作。例如，在工厂中，工人用语音指示机械臂协助组装零件，LLM实时解析指令并协调机械臂的动作。 还有一点是自适应学习，LLM可以根据历史操作数据优化机械臂的任务执行策略，比如通过学习不同任务的完成情况，调整动作参数，提高效率。 总结下来，回答需要涵盖应用场景、技术实现方式（如指令解析、任务分解、控制指令生成）、交互方式的改进、安全考虑以及可能的自适应学习等方面。同时，要举例说明，让内容更易懂，并指出当前的技术挑战，如实时性、准确性和多模态数据融合等。</think>大语言模型（LLM）与机械臂的结合，是**自然语言处理技术与物理自动化设备融合**的前沿方向。这种结合能够赋予机械臂更智能的交互能力和灵活的任务适应性，以下是主要结合方式和应用场景： --- ### **1. 自然语言指令控制** - **核心逻辑**：用户通过语音或文本下达指令，大语言模型解析后生成机械臂可执行的代码或动作序列。 - **示例**： - 用户说：“把红色积木叠在蓝色盒子上”，LLM理解意图后，结合视觉系统定位物体，规划抓取路径并控制机械臂完成操作。 - 工业场景中，工人用自然语言指示机械臂调整生产线参数（如“将焊接速度降低20%”）。 --- ### **2. 复杂任务分解与规划** - **挑战**：机械臂需完成多步骤任务（如“组装一台电脑”），但传统编程无法灵活应对动态环境。 - **LLM的作用**： 将模糊指令拆解为子任务（拆箱、安装CPU、固定螺丝等），结合环境感知（如摄像头反馈）实时调整动作顺序，甚至处理异常（如零件缺失）。 --- ### **3. 零样本学习与自适应操作** - **传统限制**：机械臂需针对特定任务预编程，难以应对新场景。 - **LLM赋能**： 通过语义理解关联已知技能（如“拧螺丝”动作库）和新任务（“组装家具”），实现无需额外训练的快速适配。例如，LLM根据说明书文本自动生成机械臂组装流程。 --- ### **4. 人机协作与教学** - **交互场景**： - 工人通过对话指导机械臂：“刚才的抓取位置偏右，下次左移2厘米”，LLM翻译为参数修正。 - 教育领域：用户用自然语言“教”机械臂画画或写字，LLM将笔画描述转化为运动轨迹。 --- ### **5. 多模态融合增强感知** - **结合传感器数据**： LLM整合视觉（摄像头）、触觉（力反馈）和语言信息，实现更精准的操作。例如，在医疗场景中，LLM根据医生指令（“小心避开血管”）调整手术机械臂的力度和路径。 --- ### **技术挑战** - **安全性与可靠性**：避免语言歧义导致错误动作，需设计校验机制（如模拟预执行）。 - **实时性**：LLM推理速度需匹配机械臂控制的毫秒级响应需求。 - **多模态对齐**：将语言指令与物理世界的坐标、力度等参数精准映射。 --- ### **应用场景** - **工业制造**：柔性生产线、故障应急处理。 - **家庭服务**：老人护理、家务助手（如“倒水”“整理房间”）。 - **医疗**：手术辅助、康复训练。 - **科研**：实验室自动化（如“每隔3小时混合试管A和B”）。 --- ### **案例参考** - **谷歌RT-2**：将视觉-语言模型（VLM）与机器人结合，实现“看到红色方块后捡起它”的泛化操作。 - **OpenAI Codex + 机械臂**：通过自然语言生成控制代码（如“将手臂移动到X=30,Y=50位置”）。 --- 这种结合正在推动机器人从“预编程工具”向“自主智能体”进化，未来可能彻底改变人机协作模式，让非专业人员也能通过自然语言高效操控复杂机械系统。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值