课程简介
课程聚焦AI智能化软件测试方法与实践。结合理论与实际案例,涵盖AI技术概览、GUI测试自动化、图像与语音交互测试、大语言模型应用等关键内容。通过动手实践与讨论,学员将掌握AI在软件测试中的应用技巧,提升测试效率与质量,解决实际工作中的测试难题。
目标收益
1.掌握AI测试工具使用:熟悉Applitools、MABL等主流工具。
2.提升GUI测试自动化能力:学会元素识别、断言及并行化测试。
3.理解AI技术在测试中的应用:深入学习深度学习、神经网络等技术。
4.学会大语言模型优化策略:掌握提示词工程、模型微调等技巧。
5.提升测试数据生成效率:利用AI技术自动化生成测试数据。
6.增强测试结果验证能力:运用AI进行图像识别、文本校验等验证。
培训对象
初中高级测试工程师、自动化测试开发人员、测试组长、测试经理、SQA人员
课程大纲
AI智能化软件测试典型问题分析 |
1.问题分析 2.讨论 |
AI领域发展与应用 |
1.AI在各行业的落地应用 2.案例演示 3.AI技术概览 4.AI技术的四要素 5.AI模型的研发流程 6.AI的未来发展趋势 |
AI主要应用技术分类 |
1.深度学习与神经网络 2.图像算法典型案例 3.语音算法典型案例 4.NLP算法典型案例 5.大语言模型典型案例 |
AI通用自动化测试主流工具 |
1.Applitools 2.MABL 3.Sikuli |
GUI测试自动化要点 |
1.元素识别与定位多种方法 2.断言多种方法 3.并行化分发测试-多机并行化同构设备分发实现 4.并行化兼容测试-多机并行化异构设备全量实现 5.自动化适配-因UI变更自动匹配更新用例 6.自动化图像匹配-图像对比与搜索 7.自动化用例rerun和步骤retry 8.失败结果自动化录屏 9.自动化结果多级反馈 10.实现无人值守的自动化测试 |
OCR智能识别 |
1.什么是OCR? 2.通过OCR技术解决UI频繁变更的痛点 3.异常自动识别 |
Sikuli工具应用 |
1.Sikuli工具简介 2.Sikuli的应用场景 3.图像抓取 4.用例描述 5.自动化执行 |
AI图像目标检测 |
1.AI Yolo模型简介 2.图像标注 3.模型训练 4.效果评测 5.模型推理 6.Badcase分析 7.模型优化 |
ASR应用概述 |
1.ASR简介 2.ASR的应用场景 3.ASR评测 4.【案例】ASR的测试实践~一键提单 |
TTS应用概述 |
1.TTS简介 2.TTS的应用场景 3.TTS评测 4.【案例】TTS的测试实践~人机交互 |
NLP应用概述 |
1.NLP简介 2.NLP的应用场景 3.NLP评测 4.【案例】舆情分析实践 |
大语言模型技术 |
1.大语言模型的定义和特点 2.大语言模型技术演变简史 3.深入解析大语言模型的架构、训练方法和优化技术 4.大语言模型在自然语言处理任务中的性能表现 |
提示词工程 |
1.什么是提示词工程? 2.优化的上下文提示词 3.【案例】提示词返回精准答案 |
大模型结果优化策略 |
1.温度微调 2.使用top-k/top-p采样 3.增加上下文信息 4.模型后处理 5.大模型微调 6.多模型融合 7.【案例】生产环境数据抽检评测 8.【案例】badcase分析与优化推荐 |
大语言模型在测试领域的应用 |
1.大语言模型在测试领域的应用案例分析 2.【讨论】大语言模型对传统测试方法的挑战与机遇 |
DeepSeek概述 |
1.DeepSeek简介 2.DeepSeek架构与原理 3.DeepSeek优势 4.DeepSeek不足 5.如何部署DeepSeek 6.【案例】本地调用DeepSeek |
Ollama进行code review |
1.Ollama简介 2.模型参数 3.网络安全隔离 4.部署Ollama环境 5.Ollama常用操作命令 6.离线模型CLI接口 7.模型API接口 8.API调用方式 9.UI调试界面 10.Code review结果解析 11.Code review结果推送 12.【案例】进行自动化code review |
高效利用Ollama |
1.下载docker镜像 2.启动docker pod 3.映射多接口地址 4.部署Nginx 5.配置Nginx实现轮询 6.实现接口并发处理 |
DeepSeek进行单元测试 |
1.生成单元测试代码~c++ 2.集成至gtest 3.C++测试覆盖率统计工具gcov 4.生成单元测试代码~python 5.Python测试覆盖率统计工具python coverage 6.进行自动化单元测试执行 7.优化单元测试代码 8.【案例】集成至CI流水线 |
测试数据自动化生成 |
1.测试数据自动化生成需求 2.测试数据自动化生成技术框架设计 3.测试数据自动化生成关键点 4.测试数据自动化生成规则 |
AI在测试数据生成中的应用 |
1.文本数据生成 2.图像数据生成 3.语音数据生成 4.【案例】使用DeepSeek生成测试数据 5.分析生成数据的质量和有效性,探讨改进策略 |
DeepSeek生成自动化测试用例 |
1.自动化测试用例语言描述 2.生成自动化测试脚本 3.优化语言描述 4.【案例】生成接口自动化python测试脚本 5.【案例】生成webUI自动化python测试脚本 |
AI在测试结果验证中的应用 |
1.图像识别 2.目标检测 3.OCR检测 4.文本结果校验 5.日志分析 6.【案例】大模型对测试结果进行自动化验证 |
代码覆盖率 |
1.代码覆盖率统计指标 2.python代码覆盖统计工具coverage 3.c++代码覆盖统计分析工具opencppcoverage 4.java代码覆盖率统计分析工具jacoco 5.代码覆盖工具与jenkins集成 6.白盒测试代码覆盖率 7.黑盒测试代码覆盖率 |
Diff测试技术深入 |
1.Diff测试的原理、技术和应用场景 2.Diff测试在代码质量评估中的优势和挑战 3.Codediff生成改动函数列表 4.分析改动函数的潜在bug 5.【案例】使用大语言模型进行Diff测试,分析代码差异和潜在问题 |
精准测试实践 |
1.精准测试定义 2.精准测试的优点 3.精准测试存在的问题 4.精准测试实现流程 5.获取单个用例覆盖率 6.存储用例与函数对应关系 7.自动化测试关联方案 8.通过codediff查询对应测试用例 9.实现测试用例推荐 10.提测自动关联精准测试消息推送 11.精准测试度量与分析 12.漏检分析 13.质量评估 14.【案例】精准测试实践 |
性能监控工具 |
1.性能监控主要指标 2.Prometheus简介 3.使用Prometheus进行性能监控 4.node-exporter部署 5.Nmon简介 6.利用Nmon进行性能监控 7.【案例】生产环境可靠性监控与告警 |
利用JMeter进行性能测试 |
1.基准测试概述 2.压力测试概述 3.JMeter概述 4.测试计划 5.线程组 6.取样器 7.监听器 8.聚合报告 9.查看结果树 10.图形结果 11.生成性能测试报告 12.【案例】性能测试报告 13.【案例】自动化探压测试实践 |
AI智能化软件测试典型问题分析 1.问题分析 2.讨论 |
AI领域发展与应用 1.AI在各行业的落地应用 2.案例演示 3.AI技术概览 4.AI技术的四要素 5.AI模型的研发流程 6.AI的未来发展趋势 |
AI主要应用技术分类 1.深度学习与神经网络 2.图像算法典型案例 3.语音算法典型案例 4.NLP算法典型案例 5.大语言模型典型案例 |
AI通用自动化测试主流工具 1.Applitools 2.MABL 3.Sikuli |
GUI测试自动化要点 1.元素识别与定位多种方法 2.断言多种方法 3.并行化分发测试-多机并行化同构设备分发实现 4.并行化兼容测试-多机并行化异构设备全量实现 5.自动化适配-因UI变更自动匹配更新用例 6.自动化图像匹配-图像对比与搜索 7.自动化用例rerun和步骤retry 8.失败结果自动化录屏 9.自动化结果多级反馈 10.实现无人值守的自动化测试 |
OCR智能识别 1.什么是OCR? 2.通过OCR技术解决UI频繁变更的痛点 3.异常自动识别 |
Sikuli工具应用 1.Sikuli工具简介 2.Sikuli的应用场景 3.图像抓取 4.用例描述 5.自动化执行 |
AI图像目标检测 1.AI Yolo模型简介 2.图像标注 3.模型训练 4.效果评测 5.模型推理 6.Badcase分析 7.模型优化 |
ASR应用概述 1.ASR简介 2.ASR的应用场景 3.ASR评测 4.【案例】ASR的测试实践~一键提单 |
TTS应用概述 1.TTS简介 2.TTS的应用场景 3.TTS评测 4.【案例】TTS的测试实践~人机交互 |
NLP应用概述 1.NLP简介 2.NLP的应用场景 3.NLP评测 4.【案例】舆情分析实践 |
大语言模型技术 1.大语言模型的定义和特点 2.大语言模型技术演变简史 3.深入解析大语言模型的架构、训练方法和优化技术 4.大语言模型在自然语言处理任务中的性能表现 |
提示词工程 1.什么是提示词工程? 2.优化的上下文提示词 3.【案例】提示词返回精准答案 |
大模型结果优化策略 1.温度微调 2.使用top-k/top-p采样 3.增加上下文信息 4.模型后处理 5.大模型微调 6.多模型融合 7.【案例】生产环境数据抽检评测 8.【案例】badcase分析与优化推荐 |
大语言模型在测试领域的应用 1.大语言模型在测试领域的应用案例分析 2.【讨论】大语言模型对传统测试方法的挑战与机遇 |
DeepSeek概述 1.DeepSeek简介 2.DeepSeek架构与原理 3.DeepSeek优势 4.DeepSeek不足 5.如何部署DeepSeek 6.【案例】本地调用DeepSeek |
Ollama进行code review 1.Ollama简介 2.模型参数 3.网络安全隔离 4.部署Ollama环境 5.Ollama常用操作命令 6.离线模型CLI接口 7.模型API接口 8.API调用方式 9.UI调试界面 10.Code review结果解析 11.Code review结果推送 12.【案例】进行自动化code review |
高效利用Ollama 1.下载docker镜像 2.启动docker pod 3.映射多接口地址 4.部署Nginx 5.配置Nginx实现轮询 6.实现接口并发处理 |
DeepSeek进行单元测试 1.生成单元测试代码~c++ 2.集成至gtest 3.C++测试覆盖率统计工具gcov 4.生成单元测试代码~python 5.Python测试覆盖率统计工具python coverage 6.进行自动化单元测试执行 7.优化单元测试代码 8.【案例】集成至CI流水线 |
测试数据自动化生成 1.测试数据自动化生成需求 2.测试数据自动化生成技术框架设计 3.测试数据自动化生成关键点 4.测试数据自动化生成规则 |
AI在测试数据生成中的应用 1.文本数据生成 2.图像数据生成 3.语音数据生成 4.【案例】使用DeepSeek生成测试数据 5.分析生成数据的质量和有效性,探讨改进策略 |
DeepSeek生成自动化测试用例 1.自动化测试用例语言描述 2.生成自动化测试脚本 3.优化语言描述 4.【案例】生成接口自动化python测试脚本 5.【案例】生成webUI自动化python测试脚本 |
AI在测试结果验证中的应用 1.图像识别 2.目标检测 3.OCR检测 4.文本结果校验 5.日志分析 6.【案例】大模型对测试结果进行自动化验证 |
代码覆盖率 1.代码覆盖率统计指标 2.python代码覆盖统计工具coverage 3.c++代码覆盖统计分析工具opencppcoverage 4.java代码覆盖率统计分析工具jacoco 5.代码覆盖工具与jenkins集成 6.白盒测试代码覆盖率 7.黑盒测试代码覆盖率 |
Diff测试技术深入 1.Diff测试的原理、技术和应用场景 2.Diff测试在代码质量评估中的优势和挑战 3.Codediff生成改动函数列表 4.分析改动函数的潜在bug 5.【案例】使用大语言模型进行Diff测试,分析代码差异和潜在问题 |
精准测试实践 1.精准测试定义 2.精准测试的优点 3.精准测试存在的问题 4.精准测试实现流程 5.获取单个用例覆盖率 6.存储用例与函数对应关系 7.自动化测试关联方案 8.通过codediff查询对应测试用例 9.实现测试用例推荐 10.提测自动关联精准测试消息推送 11.精准测试度量与分析 12.漏检分析 13.质量评估 14.【案例】精准测试实践 |
性能监控工具 1.性能监控主要指标 2.Prometheus简介 3.使用Prometheus进行性能监控 4.node-exporter部署 5.Nmon简介 6.利用Nmon进行性能监控 7.【案例】生产环境可靠性监控与告警 |
利用JMeter进行性能测试 1.基准测试概述 2.压力测试概述 3.JMeter概述 4.测试计划 5.线程组 6.取样器 7.监听器 8.聚合报告 9.查看结果树 10.图形结果 11.生成性能测试报告 12.【案例】性能测试报告 13.【案例】自动化探压测试实践 |