登录社区云，与社区用户共同成长
邀请您加入社区
摘要：规则引擎与AI在测试用例生成中各具优势。规则引擎通过关键词匹配和场景模板快速生成基础用例（10毫秒级，零成本），适合批量初筛；AI生成用例（1-3秒/条）则能覆盖边缘场景。最佳实践是先用规则引擎提取功能点并生成正常、异常、边界3类基础用例，再用AI补充精细化场景。文中详细介绍了规则引擎的实现逻辑（关键词映射、去重策略、兜底机制）和工程建议，并指出二者互补关系：规则引擎保证广度，AI提升深度。
* TestSprite 的导航、测试阶段、错误标签和 AI 助手提示基本都是英文，例如 `Backend Testing: Review Test Cases`、`Valid POST Request`、`Expected status code 200, but got 405`。不过当前截图还不能证明它完整覆盖中文输入、中文标点或 emoji，所以我会建议在后续测试中专门加入中文 paylo
摘要：本文介绍了Android AI聊天应用的开发与Fiddler抓包配置流程。项目使用Android Studio开发，具有流式输出、对话管理和SQLite数据持久化功能。Fiddler抓包部分详细说明了环境配置步骤，包括安装CA证书、设置网络代理（端口8843）、配置Android设备网络连接，以及验证抓包成功的方法。重点展示了如何通过Fiddler Everywhere捕获AI聊天应用的HT
AI系统性能测试与传统压测的核心差异在于关注点的转变：从接口响应时间转向端到端用户体验和成本控制。测试重点包括四大核心指标：首Token响应时间(TTFT)、Token输出间隔(TPOT/ITL)、Token吞吐量(TPS)和端到端延迟(E2E Latency)。测试需覆盖接口服务、模型推理、RAG检索和Agent工具调用四层架构，针对不同AI系统类型（问答/RAG/Agent/多模态）设计差异化
【摘要】本文探讨了AI在生成Playwright自动化测试脚本中的应用与挑战。虽然AI降低了编码门槛，但实际落地仍面临三大痛点：测试场景描述模糊导致生成代码不可用、企业后台系统组件复杂难以定位、缺乏工程规范导致维护困难。文章提供了16套针对登录、查询、表单等典型场景的提示词模板，强调需将业务路径转化为工程化输入。同时提出五大落地规范：选择器优先使用语义化定位、合理复用登录态、统一测试数据标识、精准
面试官问“AI 写代码比你快 100 倍，你的价值在哪”，并不是想听你证明 AI 不行。他真正想看的是：你有没有理解 AI 对行业的影响；你有没有自己的职业判断；你有没有从执行者升级成问题解决者的意识。所以这道题最好的回答，不是反驳，而是升级视角。你可以平静地说：AI 可以把代码写快 100 倍，但它不会替我决定写什么、为什么写、怎么保证质量，以及上线后出了问题谁来负责。我的价值不在于比 AI 更
对测试结果文件中报告错误的记录进行分析，如果确实是由于被测系统的缺陷导致，则提交缺陷报告。对自动化测试的结果进行总结，分析系统存在的问题，并提交《测试报告》。1、自动化测试的局限性对于自动化测试来说，不同的层次有不同的效率，项目中需要慎重考虑选择，按照测试金字塔模型以及投入/产出比，越向下，回报率越高。单元自动化测试（数据处理层）：指对软件中最小的可测试单元进行检查和验证，一般需要借助单元测试框架
CAD程序性能优化应当从全局出发，不应该过于看重单一模块的性能提升还是降低。关键是找到运行热点，而不是揪住每一处细节，否则只会事倍功半。
本文为网络安全初学者提供了学习规划建议。首先建议新人从市场需求量大、入门门槛较低的网络安全或Web安全方向入手，强调安全技术必须建立在网络或Web基础之上。文章指出不同技术背景的学习者应选择适合的方向：网络工程背景适合网络安全，开发背景适合Web安全。同时列出了网络安全需要掌握的核心技能，包括网络基础、操作系统、编程语言等。最后指出网络安全知识体系庞杂，需要科学安排学习路径。全文为初学者提供了清晰
网络安全入门指南 针对安全行业新人，建议从网络安全或Web安全/渗透测试方向入手。这两个方向市场需求量大且相对成熟，适合初学者。网络安全需要先掌握网络基础，Web安全需先理解Web技术。不同背景的学习者可根据原有技术基础选择方向：网工运维适合网络安全，开发者适合Web安全。学习内容包括操作系统、网络协议、渗透测试等多项技能。随着经验积累，各方向技术会逐渐融合，需要全面掌握。
机器学习缺陷预测已成为高效测试团队的必备工具，2026年数据显示其可减少30%回归测试时间，降低25%-40%缺陷漏测率。实施四步法：构建缺陷知识图谱数据、选用XGBoost等可解释模型、确保结果可视化（如嵌入SHAP力图）、自动化集成测试流程。头部企业案例显示，华为、阿里、腾讯通过人机协同模式显著提升效率。当前面临数据孤岛等挑战，未来将向生成式AI和自愈测试发展。测试团队应遵循"三不原
你设想的测试智能体，本质是“AI+测试经验+业务知识”的深度融合——未来3-5年，不会是AI替代测试人员，而是“AI做重复工作，测试人员做决策工作”。
在AI系统加速落地的今天，模型安全与鲁棒性已不再是学术课题，而是生产环境中的刚性需求。2023年MITRE ATT&CK for AI框架正式发布，将‘对抗攻击’列为AI系统十大关键威胁之一；而Gartner预测，到2026年，超40%的企业AI应用因未通过对抗鲁棒性验证而延迟上线。
3DMark是全球权威的硬件性能测试软件，由Futuremark开发后被UL收购，成为行业标杆。其核心优势在于：1）采用标准化渲染场景精准模拟3A游戏负载；2）支持光线追踪等前沿技术，适配各类硬件；3）提供一键式测试和直观报告，新手友好；4）集成稳定性测试等实用功能。相比AIDA64等工具，3DMark在专业性、技术适配和全球跑分对比方面全面领先。软件兼容Windows/macOS系统，安装简单，
覆盖率不是越高越好，而是越能解释风险越好。本次变更有没有被覆盖。未覆盖部分是不是高风险。未覆盖原因能不能解释。补测建议能不能执行。测试结论能不能复盘。下一篇我会讲：让 AI 推荐回归范围前，必须先给它哪些上下文。
本文介绍了在PCIe6.0服务器尚未普及的过渡阶段，如何通过转接方案测试PCIe6.0/CXL3.0设备。主要内容包括：1) SerialTek公司展示的PCIe6.0测试方案；2) 使用SerialCables公司的PCIe6.0转接卡和MCIO线缆连接EDSFF SSD的方法；3) 重点讲解了5种转接方案的实际应用，包括PCIe6.0 E3.S转AIC转接卡、带Quarch测试接口的专业版本等
开源测试工具的繁荣与隐忧 开源测试工具已成为软件测试领域不可或缺的基础设施，从Selenium到JMeter，这些工具极大提升了测试效率。然而，商业化浪潮正在冲击这一生态：维护者陷入"用爱发电"困境，企业过度索取却鲜少反哺，许可证变更导致工具链断裂风险加剧。测试工程师既受益于开源红利，也首当其冲承受生态动荡的代价。本文揭示了测试工具链面临的三重悖论：生态失衡、维护者窘境和企业伦
1.pytest是一个非常成熟的全功能的Python测试框架，主要有一下几个特点：简单灵活，容易上手，支持参数化2.能够支持简单的单元测试和复杂的功能测试，还可以用来做selenium、appium等自动化测试，requests+pytest接口自动化测试pytest-selenium（集成selenium）pytest-html（完美html测试报告生成）pytest-rerunfailures
版本控制 (Revision control) 是一种软件工程技巧，在在开发的过程中，确保由不同人所编辑的司一文件都得到更新及历史记录的保存。Git(读音为/git/。)是一个开源的分布式版本控制系统，可以有效、高速的处理从很小到非常大的项目版本管理。Git 是 Linus Torvalds 为了帮助管理 Linux 内核开发而开发的一个开放源码的版本控制软件。
Java Agent 在精准测试里的价值，不是单纯采集覆盖率，而是记录运行态链路。哪些接口经过了变更方法？哪些链路访问了关键资源？本次测试有没有执行高风险路径？AI 能否基于这些事实生成更靠谱的回归建议？下一篇我会继续讲：覆盖率报告为什么不能只看百分比，真正有价值的是增量风险。
Diff → Agent 链路 → 覆盖率 → 风险分析 → AI 推荐 → 执行复盘其中 AI 不是起点，而是最后的解释、归纳和推荐层。如果前面的工程事实不完整，AI 只会输出漂亮但没法执行的建议。下一篇我会继续拆：Java Agent 在精准测试里到底能采集什么，以及采集边界应该怎么设计。
回归测试一直靠经验，不是因为测试不专业，而是因为缺少数据链路。本次改了什么？这些改动影响哪些业务入口？本次测试有没有覆盖？哪些风险需要补测？哪些建议可以交给 AI 整理？当这条链路建立起来，回归测试才有机会从“多测一点保险”变成“基于风险精准选择”。如果你对这个方向感兴趣，我会继续更新AI 精准测试实战系列，下一篇讲：一张图拆清楚 AI 精准测试系统架构。
2026 年，职场的节奏更加快、沟通更加多元，输入效率成为职业竞争力的重要组成部分。AI 语音输入，以其显著的效率提升和用户体验优化，正在被越来越多职场人认可和积极采纳。作为领先的 AI 语音输入法，Typeoff 凭借精准的识别、高度的场景适配能力和智能化的输入体验，成为广大职场用户真正的必备工具。无论是会议记录、文档创作还是即时沟通，Typeoff 都能够助你一臂之力。
随着企业对于的重视，倍受青睐，对于求职者的要求也在提高，不仅要求求职者具备扎实的理论功底，还要有丰富的，这就给求职增加了难度。今天千锋老师就给大家分享一些常见的软件测试面试题及答案。1、软件生存周期及其模型是什么?答：软件生存周期(Software life cycle)又称为软件生命期，生存期。是指从形成开发软件概念起，所开发的软件使用以后，知道失去使用价值消亡为止的整个过程。一般来说，整个生存
《AI产品开发中的协作边界重塑与测试实践》摘要： 随着AI产品复杂度提升，传统产品经理与技术专家的协作模式面临重构。AI产品经理需理解技术可行性，定义概率性需求；技术专家需具备产品思维，交付符合SLA的服务；测试人员角色扩展至数据质量审计、模型公平性评估和线上监控。文章提出四象限协作框架：战略层（指标对齐）、基础层（数据管理）、战术层（模型开发）、运营层（线上监控），强调测试人员应早期介入需求评审
在性能测试过程中，为了真实模拟多个用户同时进行操作以度量服务器的处理能力，可以考虑同步虚拟用户以便恰好在同一时刻执行操作或发送请求。通过插入集合点可以较真实模拟多个用户并发操作。(注意：虽然通过加入集合点可以约束请求同时发送，但不能确保请求同时到达服务器，所以只能说是较真实模拟并发)在JMeter中可以通过同步定时器来设置集合点。这些资料，对于做【软件测试】的朋友来说应该是最全面最完整的备战仓库，
Google Test是Google开源的一个跨平台的C++单元测试框架，简称gtest，它提供了非常丰富的测试断言、判断宏，极大方便开发者编写测试用例的流程，也是很多开源项目使用的测试框架。通过使用gtest可以简化这个流程，让开发者可以专注在测试用例的书写上，而不用手动编写大量的main函数，以及一些判断输出是否符合预期的附加代码。
fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;传统渗透效率低工具杂报告难VulnClaw说人话就行一站式自动化报告自动生VulnClaw 不是要取代安全工程师，而是让安全工程师更高效。
使用 adb shell am start -W com.tpshop.malls/com.tpshop.malls.SPMainActivity 启动应用时报错当测试页面不是在里声明的时，有可能会报出安全异常。这是因为启动的Activity设置了外部启动权限，在AndroidManifest声明该Activity处增加配置即可。
【评测摘要】本次对比测试了GLM-5.1和DeepSeek-V4-Pro两款AI模型在10项测试任务中的表现。结果显示二者通过率均为100%，但DeepSeek-V4-Pro平均速度快14.6%（60.1s vs 70.4s），Token消耗节省32.5%（22,748 vs 33,690）。DeepSeek在性能测试方案等复杂任务中优势明显（快30.5秒），而GLM-5.1在API脚本生成方面更
你敢相信？我一行代码也没写，只靠和AI聊天，用3天时间就“肝”出一个前后端分离、带数据库的自动化平台，底层基于多模态大模型，采用视觉理解方式驱动自动化。并且安卓、iOS、Web全支持。
经济上，它能大幅降低成本和周期，将大量缺陷在地面解决，节省数千万美元。同时，安装在转台上的真实飞控板，会感知到转台的运动，并根据其自身的控制律和传感器数据，实时对原始的油门、副翼、升降舵、方向舵控制信号进行闭环微调，以满足飞行的稳定性和性能要求。试验人员在测试主机中通过SimuRTS上位机软件启动模型的仿真后，实时仿真计算机中的无人机动力学模型即自动开始运行，动力学模型运行过程中，通过SimuRT
AI 不会取代测试工程师，但掌握 Superpowers 的测试工程师会取代不会使用 AI 的。你的进化速度，决定了你未来的不可替代性。
我们不再让模型“自由想象场景”，而是把真实测试图作为输入资产上传，让模型只做“组装与排版”。**不是单点 bug，而是“模型约束 + 工程实现 + 网络链路”共同决定成败。如果你也遇到过“明明看着像 bug，但又说不清”的场景，欢迎评论区交流。**真正的生产力，不是一次偶然成功，而是可复现成功。我最初判断“是不是模型有 bug”并不离谱，但不完整。结果：有改善，但仍不能保证“只用我们的真实素材图”
openclaw 的性能测试，做得浅，只能得到“能跑”；做得深，才能得到“敢上线、能扩容、可预测”。我的建议是：先建立基准，再构造真实负载，再做长时间稳定性验证，最后结合监控定位瓶颈。尤其要重视异常流量、回落恢复能力和资源泄漏趋势，这些点比单次峰值吞吐更贴近商业系统的真实成本。从工程收益看，一次设计合理的性能测试，往往比上线后排查三次事故更划算。对程序员个人成长也是一样：真正拉开差距的，不是会不会
要使用这个自动化测试脚本，首先在 Excel 文件中配置测试需求，即需要运行模型的次数，以及每次运行模型需要配置的初始化参数、加载的mat文件、以及其他命令等，都可在Excel中配置。如图所示，文件分为了被测模型名称、本次测试 case 名称，模型初始化，模型运行需要加载的mat数据文件，simulink运行环境配置，MATLAB初始化变量设置，以及模型输出信号保存，模型测试验证，以及最后的打扫工
系统瓶颈就是软件在一定的并发量、访问量下无法达到用户的需求。比如说用户需要在10s内完成一个访问，但是每一次都要12s才能完成，这个就是性能瓶颈，有可能是程序本身的问题，也有可能和操作系统、软件相关。
这篇完整分享：怎么用 AI 辅助设计和编写测试用例，包括思路、Prompt 模板、真实案例，以及我踩过的坑。不是让 AI 随便生成一堆用例凑数，而是系统性地提升覆盖率。
说到底，每一次技术变革，都会淘汰一批观望的人，成就一批敢行动的人。很多人总在等风口，等一个“百分百确定能赚钱”的机会，但等所有人都看清这个机会的时候，红利早就被先入场的人吃完了。
测试地址的选择（本地/线上）本地服务器：请求响应快，测试结果稳定，但无法排除由线上环境差异或代码打包过程中引发的问题线上服务器：能够反映网站真实的展示，无需额外启动服务器，任何时候都可以测试，但受网络因素影响，可能导致测试结果不稳定尽量抹平不确定因素带来的影响如维持数据请求的结果稳定，日期时间稳定，保证页面渲染的一致性。假如由于数据返回或时间的不确定性，导致每次页面渲染不一样，那这样测试也失去了意
摘要： 大型语言模型（LLM）正重塑软件测试文档工作，解决效率低、维护难等痛点。其核心能力包括智能生成测试用例（含边界/异常场景）、自动化缺陷报告、辅助测试计划制定及构建测试知识库。落地需注重提示词工程、领域微调和人机协同，并与现有工具链集成。尽管存在准确性、数据安全等挑战，未来LLM将向多模态、主动探索方向演进，推动测试工程师向高价值角色转型。
Vegeta 是一款用Go语言开发的开源 HTTP 负载测试工具，既能作为命令行工具使用，也能作为 go 库集成到项目中，主打"简易易用、功能强大"，尤其适合快速验证接口的性能上限和稳定性。需求：对目标接口（http://api.example.com/users），每秒发起100个请求，持续30秒，请求超时时间设置为10秒，生成JSON格式报告用于自动化分析。rate=100/s：指定每秒请求速
在AI驱动的UI自动化领域，Midscene.js凭借轻量化、跨平台、自然语言驱动的优势成为热门选择，但除此之外，还有多款成熟的AI应用、智能体及工具，它们各具特色，覆盖不同场景需求（如移动端专项测试、视觉回归测试、企业级RPA自动化等）。以下将详细介绍这些主流选项，结合其核心能力、适用场景，帮助开发者根据自身需求选择合适的工具。
测试工具
——测试工具
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
深开鸿 技术专区
openEuler 社区
AMD开发者中国社区
AtomGit AI 社区
龙虾开发者社区
2048 AI社区
