登录社区云，与社区用户共同成长
邀请您加入社区
摘要：大模型时代下，提示工程正重塑软件测试行业。通过结构化提示设计，AI可高效生成测试用例（提升效率70%）、挖掘边缘场景，并辅助缺陷分析。工程化实践包括构建分层提示库（通用/行业/定制）、采用"角色-任务-约束"结构化模板，以及实现版本管理与自动化闭环。挑战涉及输出质量评估、模型不确定性及数据安全，需建立多模型校验和脱敏机制。未来，提示工程将与DevOps深度整合，推动测试向
本文介绍了如何在星图GPU平台上自动化部署通义千问2.5-7B-Instruct镜像，并分享其压力测试脚本和方法。该镜像作为大语言模型，可应用于智能对话、文本生成等场景，通过系统测试能确保其在生产环境中的稳定性和性能表现。
本文介绍了一个基于Python的126邮箱自动化测试项目。项目使用Selenium WebDriver驱动浏览器，采用PageObject设计模式，结合UI对象库和数据驱动测试方法。测试范围包括登录功能、添加联系人和发送邮件等功能验证。关键技术点包括：通过win32api模拟键盘操作和剪切板处理附件上传，使用openpyxl解析Excel测试数据，并集成pytest-html生成测试报告和yagm
文章摘要： 本文介绍了Pytest框架中@pytest.mark.parametrize装饰器的数据驱动测试用法。通过示例展示了如何装饰测试类和函数，包括： 装饰测试类：数据集合会传递给类中所有方法。 装饰函数：支持单个数据、一组数据（列表/元组嵌套）、组合数据（多装饰器交叉组合）及字典数据。 标记用例：可结合pytest.mark.skip/xfail跳过或标记预期失败用例。 增强可读性：通过i
摘要：本文对比了人类测试工程师与AI智能体在电商优惠券系统测试中的表现差异。人类团队凭借业务理解和直觉，发现了14个核心业务逻辑缺陷；AI则通过海量用例生成和执行，找出18个接口健壮性和安全性问题。实验显示双方存在明显互补性：人类擅长业务逻辑和用户体验测试，AI则在接口覆盖和安全漏洞检测方面表现突出。未来测试工程师的角色将转向测试策略设计和质量模型定义，与AI形成协同关系，共同提升软件质量保障效率
AI正在重构软件测试行业，测试从业者面临角色转型的关键时刻。传统测试工作中高度结构化、重复性的任务正被AI智能体快速接管，从生成测试用例到自主探索性测试，AI已能完成测试全流程。测试人员需转向"驾驭工程"能力：精准表达测试意图、校准AI输出质量、设计测试架构体系。未来测试角色将升维为质量架构师，专注于策略设计、风险分析和质量文化构建。这场变革不是岗位消亡，而是职业价值的跃迁，让
Multi-Agent（多智能体）是人工智能（AI）领域的一个重要分支，它研究的是如何构建一个包含多个智能体的系统，这些智能体可以自主决策、相互交互、共同完成一个或多个任务。什么是智能体（Agent）？根据Russell和Norvig在《人工智能：一种现代方法》（Artificial Intelligence: A Modern Approach）中的定义，智能体是一个可以通过传感器感知环境，并通
通过DeepSeek+LangChain+DeepDiff的组合应用，我们可以构建了一个高效的自动化测试数据比对工具。借助该工具来解决日常测试工作中数据对比中的诸多难题，提高了测试工程师的工作效率。
ChatGPT的输出质量，90%取决于提示词设计。ChatGPT的真正价值，在于嵌入现有测试工作流，而非孤立使用。：测试用例覆盖率提升30%，需求变更后用例同步效率提升60%。，其中73%的团队表示“缺乏上下文关联工具”是主要障碍。据2025年《中国软件测试效能白皮书》统计，。，将人工从重复性劳动中解放，聚焦高价值分析。ChatGPT并非替代测试工程师，而是通过。：Gartner 20
《反叛测试法与AI协同：化解软件测试决策焦虑的新范式》 摘要：面对测试资源有限、需求频繁变更的挑战，"反叛测试法"与DeepSeek大模型的结合为测试领域带来创新解决方案。"反叛测试法"通过非常规输入（如非法字符、逆序操作等）主动暴露系统脆弱性，而DeepSeek则通过智能分析历史数据、自动生成测试用例和优化回归测试范围，将决策焦虑转化为可量化流程。实践数据
本文介绍了如何在星图GPU平台上自动化部署【ollama】Phi-4-mini-reasoning镜像，并基于此构建批量推理API服务。通过封装标准接口与并发压力测试，该方案能将模型能力应用于批量分析用户反馈、处理多用户请求等实际场景，实现从单次对话到高效批量处理的升级。
2026年，AI大模型已从“能不能用”迈入“用得顺不顺、省不省心”的深水区。无论是独立开发者的小型应用，还是企业级的大规模生产系统，API调用早已成为连接AI能力与业务场景的命脉。然而，API中转站——这个介于模型厂商与终端用户之间的中间层市场，正呈现出一种“野蛮生长”的态势。据业内不完全统计，国内活跃的中转站数量已突破2000家，它们声称提供更低的成本、更便捷的集成或更丰富的模型矩阵。但对绝大多
A：“模型掉包”通常表现为账单扣费与实际推理模型不匹配。这会导致应用在复杂任务（如代码生成或长文档提炼）中表现明显下滑，引发用户体验下降，同时造成研发资源的无效浪费。
我也曾陷入这种“卖时间”的循环，直到2025年初，我尝试用大模型辅助生成接口测试用例，效率提升了三倍以上，那一刻我突然想通了一件事——：客户提供需求文档或接口文档，我用AI工具（如ChatGPT、文心一言）先进行需求解析，自动提取业务规则、输入约束、异常场景，生成结构化的测试范围清单。训练营每期10人，为期4周，内容就是我这套工作流的详细拆解：如何写Prompt让AI生成高质量用例、如何用AI辅助
本章节将深入探讨文档智能解析审核系统的性能优化与压力测试。log.info("压缩存储完成, documentId: {}, 原始: {} bytes, 压缩后: {} bytes",log.debug("缓存淘汰, key: {}, 原因: {}", key, cause);log.info("缓存淘汰, key: {}, 原因: {}", key, cause))log.info("缓存预热完
文章摘要： 某企业级SSD研发客户急需PCIe U.2 SSD验证工具，聚焦热插拔、故障注入、电压拉偏、功耗分析及边带信号监测等可靠性测试。企业级SSD需在复杂服务器环境中长期稳定运行，而消费级SSD的测试方法无法满足其严苛需求。自动化热插拔测试可模拟服务器维护场景，故障注入工具复现链路异常，电压拉偏验证供电健壮性，功耗分析模块（PAM）记录异常数据，可编程电源模块（PPM）主动模拟供电波动。文章
压力测试
——压力测试
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
MCP技术社区
DeepSeek技术社区
AtomGit开源社区
CSDN-OPC开发者社区
智能体开发者社区
AI Agent技术社区
openEuler 社区
