王哲-AIAgents在软件测试中的落地实践智能化测试新时代.pdf

《王哲-AIAgents在软件测试中的落地实践智能化测试新时代.pdf》由会员分享，可在线阅读，更多相关《王哲-AIAgents在软件测试中的落地实践智能化测试新时代.pdf（41页珍藏版）》请在三个皮匠报告上搜索。

1、AI Agents在软件测试中的落地实践智能化测试新时代王哲|百度演讲嘉宾王哲百度资深测试工程师2017年毕业加入百度，先后负责百度基础架构、AI 产品等多个核心业务的质量保障工作、并负责百度技术中台群组测试环境治理等工作、目前主要负责 AI 驱动的智能化测试解决方案的设计与实施落地。在测试智能化、自动化测试、测试工具建设以及云原生等方面有着深刻的见解和丰富的实践经验。目 录CONTENTS1.智能化测试的重要性与挑战2.智能化测试整体架构3.AI Agents 在测试环节的应用实践4.总结与展望智能化测试的重要性与挑战PART 01软件测试智能化的重要性1.互联网企业精细化发展，降本增效&效

2、率提升是核心任务2.软件复杂度上升，研发模式变革(低代码、零代码、AI生成)，传统测试模式容易成为整个研发环节的效率瓶颈3.ChatGPT 等生成式 AI 能力高速发展，给软件测试变革带来了巨大的机遇。测试智能化过程遇到的问题 虽然看起来单项任务难度相对更低，但是涉及面更多更广。想要辅助生成部分代码&用例设计相对更简单，但是想要彻底完成某项任务其实更难。QA 与 RD 工作的对比 Copilot 模式在测试场景中接受度低（例如在接口测试场景，输入详细的测试步骤生成初版代码，人工进行细节调整后再进行调试执行）核心原因是测试场景单项任务复杂度较低，仅做代码生成、续写或部分工作无法满足需求，不如直接

3、参考历史用例进行复制粘贴并修改。在收益不明显的情况下，改变习惯的工作模式难度大。因此，需要端到端带来足够的变化+收益才能快速应用落地Copilot模式在测试场景的应用 由于测试场景的复杂性，现阶段让 AI 彻底替代 QA 不现实，需要人与 AI 协作才能取得更好的效果 协作模式可以是 AI 完成基础版本，人来 Review 结果并通过人工指导或少量调整达到希望结果 这就要求 AI 来适配人的习惯，生成的基础版本尽可能与人的期望一致AI 现阶段彻底替代 QA 的可行性AI Agents 在测试领域的应用场景用例设计更加准确即更理解业务背景、测试场景覆盖更全、生成用例设计更加符合QA书写习惯接口自

4、动化端到端完成测试任务打通生成、合并、执行、修复、提交等环节WEB UI 测试智能化基于用例设计快速实现 WEB UI 智能化测试，包括智能测试&自动化代码生成与维护AI Agents 需要解决的核心问题一、QA作为对整个项目全局最了解的人，如何让 AI Agent 对项目有足够了解，从而生成的内容更准二、如何让 Agent 独立完成某类工作，避免频繁的进行任务A-任务B-任务C的任务转化，从而有效提升QA工作的效率智能化测试整体架构PART 02AI Agents 需要理解哪些业务知识AI Agents加持的智能化测试工作流智能化测试系统架构图AI Agents在测试环节的应用实践PART

5、03AI Agents 需要理解业务哪些内容入职第一周:1.了解系统的基本概念&功能范畴2.作为用户熟悉整个系统的功能使用3.了解当前系统的测试流程&规范4.熟悉测试自动化编写&执行规范等日常迭代测试:1.参与需求评审，了解需求迭代功能2.阅读 PRD、UI/UE、技术方案等全面了解本次变更3.根据研发接口文档设计&编写接口自动化测试4.通过 CodeReview 了解本次变更影响面全局知识工作正常启动的前提在日常测试的各个环节中体现需求级知识日常迭代过程中核心输入不同的类型的知识在不同测试环节中的依赖程度有一定差异全局知识构建(文档/API)文档类:包含纯文本文档和图片类，其中图片类先通过

6、OCR 和多模态模型理解转为文字类，整体通过 GraphRAG 进行索引构建并用于后续检索增强，从而提升检索准确度API 类:统一在 API 管理平台纳管，底层提供结构化存储和向量化存储两种能力，支持结构化检索和语义检索全局知识构建(代码)代码解析与 API 类似，代码管理平台默认支持了基于 AST 解析的 SourceGraph 检索能力和基于 embedding 的语义检索能力，同时，结合测试代码库的典型特征，我们进一步对测试代码库的代码段进行分类，并针对其中 API 调用的代码进行了结构化信息的提取。需求级知识构建与全局知识不同，需求级知识往往是本次测试任务中各个环节的核心输入，且上下文