登录社区云，与社区用户共同成长
邀请您加入社区
一套基于 Django + Vue3 的测试用例管理平台，支持 AI 生成用例、XMind 脑图解析、项目与用例管理、审计日志等核心能力。一套基于 Django + Vue3 的测试用例管理平台，支持 AI 生成用例、XMind 脑图解析、项目与用例管理、审计日志等核心能力。一套基于 Django + Vue3 的测试用例管理平台，支持 AI 生成用例、XMind 脑图解析、项目与用例管理、审计日
本文介绍了一个医保规则反向测试系统，该系统采用约束求解技术自动生成边界测试用例，帮助医保管理部门识别规则执行中的模糊地带。系统支持五类高频飞检规则（如药品适应症限制、挂床检测等），通过CP-SAT求解器穷举临界值组合，输出HTML/CSV格式报告。采用Python技术栈实现命令行操作，无需代码编写，只需配置YAML规则文件即可生成合规/违规边界用例。系统聚焦规则执行的确定性验证，不涉及临床合理性判
测试环境不隔离，评测结果不可比。隔离分三个层次：进程隔离、数据隔离、网络隔离。Mock 是网络隔离的核心。与默认表一致时，search（经营/报告双场景）web_fetch、LLM 调用等最易引入外部不确定性的环节应优先 Mock，覆盖成功、失败、超时三种场景。状态重置是数据隔离的核心。每次测试前重置 8 项内容，memory 里不能残留上一次查询的客户数据，避免用例之间状态互相污染。下一篇讲可测
本文介绍了移动端自动化测试中应对偶发性失败的解决方案。通过分析网络波动、元素加载慢等常见问题，提出了使用重试机制来提高测试稳定性。文章详细讲解了retry_on_failure装饰器和RetryHelper工具类的使用方法，包括参数配置和执行流程。同时指出了重试策略选择的建议，并总结了6个常见问题及解决方案。最后强调重试应作为兜底方案，优先考虑显式等待等其他方法，避免滥用导致测试效率下降。
本文介绍了软件测试中的核心概念，包括需求分析、开发模型和测试模型。主要内容包括： 需求分为用户需求（简略）和软件需求（详细），后者是测试依据 软件生命周期：需求分析→计划→设计→编码→测试→运行维护 常见开发模型： 瀑布模型：线性结构，测试后置 螺旋模型：强调风险管理 增量/迭代模型：大型项目适用 敏捷模型：快速响应变更 这些基础知识是测试人员必须掌握的，无论是新手入门还是面试准备都很重要。文章通
本文将从代码重构的全链路痛点出发，详细讲解AI智能体如何在「影响分析、自动修改、测试用例生成」三个核心环节提供辅助，手把手带你搭建一个可落地的轻量重构辅助智能体，同时结合真实项目案例讲解智能体重构的最佳实践和局限性。代码重构是指在不改变代码外部行为的前提下，对代码内部结构进行优化，提升代码的可维护性、可扩展性和性能，核心目标是降低长期维护成本，减少后续迭代的故障概率。传统重构的全链路流程如下：fi
在国产静电控制品牌崛起的浪潮中，埃用仪器不仅以技术突破实现了国产化替代，更以全链路生态服务重构了行业竞争格局。未来随着AI驱动的智能静电云监控平台推出，埃用有望进一步引领行业智能化升级。对于制造企业而言，选择国产静电控制品牌不仅能降低采购成本，更能获得适配本土场景的定制化解决方案，助力企业实现高质量发展。
让我们在主服务器上运行测试，看看它是否工作正常[不是在分布式模式下]。现在我们已经准备好使用docker容器在分布式中运行我们的测试。我们只需要添加-R[slave01,slave02,slave03]#注意/jmeter/apache-jmeter-3.3/bin/docker-test.jmx为docker内部的命令。需要从主机复制任何文件到docker容器 - 你可以发出以下命令。
Locust性能测试工具架构演进与分布式优化 摘要：本文分析了Locust从2.x到"伪3.0"版本的架构变革，重点介绍了其分布式通信机制和调度优化。新架构采用WebSocket+HTTP/2混合协议，支持动态任务分发和权重自适应调度，单节点可支撑数万并发。关键突破包括支持URL加载测试脚本、改进的心跳同步机制和用户类权重动态分配。百万并发测试显示，在800节点规模下仍保持良好
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。
《AIGC作品集：2026校招高薪offer的核心竞争力》 当前校招市场出现显著分化：同样学历背景下，拥有AIGC项目经验的求职者薪资可达传统岗位的2倍。本文揭示大模型时代求职逻辑的本质变化： 能力验证方式革新：面试官不再关注"我会什么"，而是聚焦"我做过什么"。一个可运行的AIGC项目demo比任何语言描述都更具说服力。 作品集三大核心要素： 完整性：端到
摘要：本文探讨了如何将测试用例评审经验封装为AI测试用例审核Skill，帮助测试团队建立统一评审标准。文章分析了测试用例评审常见问题，提出从逻辑完整性、预期结果明确性等5个维度构建评分模型，并通过618大促案例展示AI审核如何发现系统性遗漏。该Skill可应用于电商、支付等复杂业务场景，支持评审前自查和历史用例批量扫描，但不能替代人工业务判断。建议团队通过统一模板、设置评分标准、沉淀问题库等方式落
ClaudeCode：AI编程助手如何融入真实工程流程 摘要：ClaudeCode不同于传统AI编程助手，其核心价值在于能够参与完整的工程开发链路。文章从工程实践角度分析了ClaudeCode的独特优势：1）支持终端工作流，可执行测试、分析报错、查看diff等完整开发环节；2）通过CLAUDE.md和.claudeignore管理项目上下文；3）提供11个提升效率的核心技巧，如文件引用、命令执行等
软件测试岗位正在进入新的阶段。过去，测试人员的核心价值主要体现在发现问题、推动修复和保障版本交付。现在，随着大模型、智能体、RAG、MCP、AI 应用平台和智能化测试平台的发展，测试人员的价值正在进一步延伸：从执行测试，到设计测试体系；从编写用例，到构建用例生成智能体；从维护脚本，到构建自动化执行智能体；从测试传统系统，到评测大模型、RAG 和智能体系统；从使用工具，到参与智能化测试平台建设。人工
总的来说，接口自动化测试可以提高测试效率、质量和覆盖率，减少测试成本和风险，同时提高团队的协作和工作效率。MeterSphere 是一站式的开源持续测试平台，遵循 GPL v3 开源许可协议，涵盖测试管理、接口测试、UI 测试和性能测试、团队协作等功能。在测试过程中，可能会存在接口之间的依赖关系和顺序问题，需要合理安排测试用例的执行顺序，确保测试的准确性和一致性。如果有失败的测试用例，需要进行排查
测试类型对比摘要 E2E测试、集成测试、API测试和单元测试构成完整测试体系，各有侧重： E2E测试 - 模拟真实用户操作，验证整个系统流程（前端到后端），覆盖最广但速度最慢，适合核心业务流程验证。 集成测试 - 验证模块间协作（如服务+DB+Redis），比单元测试更真实，比E2E更轻量，使用Testcontainers等工具测试真实组件交互。 API测试 - 通过HTTP请求验证接口契约，不涉
本文介绍了混合应用(Hybrid App)测试中的WebView上下文切换技术。主要内容包括：1. 混合应用特点：原生壳+H5页面混合使用；2. 核心概念：NATIVE_APP和WEBVIEW两种上下文环境；3. 关键方法：switch_to_webview/switch_to_native切换、wait_for_webview等待加载、execute_js_in_webview执行JS操作；4.
本文探讨如何构建真实有效的Agent测试集，避免使用脱离实际的网上题库。作者指出，许多团队因测试集不真实导致上线失败，强调测试集应基于业务场景设计而非简单复制。文章提出三条数据来源路径：真实用户日志（最准）、业务场景还原（推荐）、合成生成（需人工审核）。以AgentBench的190条用例为例，详细说明如何按电商数据分析场景设计测试用例，并强调每条用例必须包含期望输出。最后提出5项质量检查标准：场
定义：测试环境是指为了完成软件测试工作所必需的计算机硬件、软件、网络设备、数据准备的总称。简单来说，测试环境就是“让被测软件能够运行起来的一切条件”。测试环境的组成组成部分内容示例硬件环境服务器、客户端、网络设备CPU、内存、磁盘、网卡软件环境操作系统、数据库、中间件数据环境基础数据、测试数据用户信息、订单数据、配置参数网络环境网络拓扑、防火墙策略内网、外网、VPN能力类别具体技能掌握程度数据库S
AI生成测试用例在企业真实业务场景中，直接生成的用例可用率普遍低于30%。核心原因在于大模型缺乏对特定系统业务规则和历史资产的认知。本文基于图书管理系统搜索功能与电商订单模块两个真实场景的专项验证，提供一套基于知识库的工程化方案及实测数据：
摘要：AI模型的可靠性与鲁棒性测试面临非确定性输出、数据依赖、对抗性漏洞等独特挑战。测试策略需覆盖数据清洗、模型性能评估和系统集成测试，采用对抗样本生成、极端案例测试等方法验证鲁棒性。测试人员需掌握Prompt工程能力，运用TensorFlow、CleverHans等工具构建自动化测试流程。随着AI技术发展，测试方法需持续创新，以保障AI系统在各行业的安全稳定应用。（149字）
功能说明页面打开后，工具默认生成当前页面的一句话摘要。这个功能看起来简单，但可以帮助用户快速确认 AI 是否读对页面，也可以作为后续上下文压缩的第一步。Prompt 示例请阅读当前页面内容，用一句话概括页面的核心主题。要求： 1. 只输出一句话。2. 使用中文。3. 覆盖页面的主要目的和核心结论。4. 不要展开分析过程。输出示例该页面介绍某某功能的背景、目标、核心流程和测试关注点。功能说明摘要不是
ETest具有应用范围广、实时性强、开发效率高、使用简单、易于扩展、国产自主安全可控等特点，支持国产CPU+国产操作系统的部署方案，同时兼容Windows、linux、Mac、VxWorks等操作系统。支持各类控制总线和仪器接口API，包括：RS232/422/485、1553B、ARINC429、ARINC664、ARINC825、1394B、FC-AE-ASM、CAN、TCP、UDP、AD、D
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
不是停留在“让大模型帮我写几条用例”，也不是简单接入一个聊天机器人，而是让 AI 参与到业务分析、知识库构建、测试设计、自动化执行、缺陷溯源、质量分析，甚至 AI 系统本身的测评中。霍格沃兹测试开发学社「智能化测试企业内训方案」，面向企业测试团队、质量效能团队、测试开发团队和 AI 平台团队，提供系统化、场景化、可落地的 AI 测试开发能力培训。如果企业内部已经有测试平台、自动化平台、质量平台，但
本文介绍了如何评估测试集质量的5项关键检查方法，并提供了一个可运行的Python审计脚本。主要内容包括：1. 5项基础检查：场景覆盖度（与真实业务对比）、难度分布（简单/中等/复杂比例）、答案正确性（人工抽检）、题目去重（相似度>85%）、难度标注一致性（多人Kappa系数≥0.6）2. 进阶检查：难度合理性（hard题需3+子任务）、答案可验证性（精确/结构化/模糊三级分类）、极端样本检测
摘要： 构建有效的AI评测集需确保数据与线上场景一致，避免自嗨式测试。数据来源有三：1）真实用户日志（贴近业务但成本高）；2）业务场景还原（依赖PRD/工单，需业务协同）；3）合成生成（低成本但易偏离真实分布）。开源数据集（如SWE-bench、ToolBench）可辅助横向对比或单测，但需警惕场景错位、数据泄露和过拟合风险，不宜直接作为业务标准。核心原则：优先真实数据，开源集作补充，定期审计覆盖
当基础用例编写效率提升300%，你将拥有：✅ 更多时间设计探索性测试方案✅ 更深层次挖掘业务逻辑缺陷✅ 更早介入需求设计阶段✅ 更精准掌控产品质量风险工具替代不了测试思维，但善用工具的人将淘汰不用工具的人。你的核心竞争力，正在从“编写用例”转向“设计质量防护体系”。！！作为一位过来人也是希望大家少走一些弯路，如果你不想再体验一次学习时找不到资料，没人解答问题，坚持几天便放弃的感受的话，在这里我给大
在前面，我们分享过什么是？，Skills就是给 AI 准备的技能包，让 AI 快速学习使用各种专业技能，而不用每次都重复输入提示词、编写脚本等等。的本质是一组，用于教会 AI 完成特定任务，让AI按照标准规则干活，是一套可复用的规则。那Skills到底能用来做些什么呢？我只想说，在计算机的世界里，万物皆可Skills化！就拿测试领域来说，我们完全可以将那些资深测试专家的经验、流程、模板等固化下来，
这不是巧合。这说明一件事：Agent 训练，已经从“探索阶段”，进入“收敛阶段”。
《零基础转AI测试学习路线指南》摘要 本文为测试新手提供清晰的AI测试转型路径，将学习过程分为三个阶段： 共同基础（5-8周）： 掌握测试基础：能独立编写用例和缺陷报告 Python+pytest核心：能编写HTTP接口测试脚本 大模型API入门：理解Token、上下文等基础概念 两条发展路线： 线A（AI赋能测试）：重点学习Prompt工程、RAG系统和规范驱动测试 线B（AI系统测试）：专注P
摘要：AI芯片供电系统五大核心器件（DrMOS、栅极驱动IC、VRM、In-PackageIVR-VDP、POL稳压器）针对高算力芯片的低纹波、高响应需求，采用QFN/BGA/SiP等先进封装技术实现高功率密度与低寄生特性。测试需满足200-300A高电流、1MHz以上高频及±1%稳压精度等严苛条件。德诺嘉电子提供全封装适配测试方案，其QFN/DFN/BGA测试座具备200A承载、0.1nH寄生电
MIPI 技术背景在 5G、AI、车载电子、高端影像与工业检测飞速发展的今天，高分辨率、高帧率、低延迟、高稳定的图像数据传输与采集，成为产品研发、测试与量产的核心瓶颈。MIPI CSI-2 接口凭借低功耗、高带宽、抗干扰强等优势，已成为手机、车载、安防、工业相机的主流互联方案，而C-PHY 与 D-PHY作为物理层核心，支撑着从高清到 8K、从 30fps 到 120fps + 的海量数据传输思林
摘要：AI测试领域存在两条技术路线：线A是利用AI辅助测试传统系统（自动化/测开方向），线B是专门测试AI产品本身（大模型评测方向）。两条路线所需技能差异显著，混学容易导致效率低下。建议根据目标岗位选择主线：传统业务系统测试优先线A，AI产品测试优先线B。关键学习节点包括掌握pytest框架、大模型API调用等基础能力，并需完成可演示的实践成果。学习过程中要避免生成用例不校验、评测只跑单次等常见误
本文介绍了一套自动化测试自愈系统的设计与实现。该系统通过诊断、规划、执行三步流程，能够自动修复元素定位等常见测试错误。核心架构包括测试执行层、自愈子图和修复模块，采用规则引擎优先、策略模式设计的思路，实现了毫秒级错误诊断和修复。系统上线后显著减少了人工干预需求，元素定位类错误的自愈成功率较高。文章详细阐述了系统架构、诊断分类、策略选择、执行流程等关键环节，并分享了同步异步冲突、LLM延迟、策略顺序
把审核中反复出现的问题，反向固化到团队用例模板中。这一步很关键。否则每次只是让 AI 帮忙改几条用例，团队能力不会沉淀。真正成熟的做法，是让 AI 审核结果反哺团队规范。测试用例评审，过去很依赖人的经验。经验丰富的人能看出问题，经验不足的人只能照着模板写。团队一旦人员变化，用例质量就容易波动。AI 测试用例审核 Skill 真正有价值的地方，不是让 AI 替代测试负责人，而是把测试负责人脑子里的评
在设计数据流转处理之前，需要定义一个数据模型来表示接口请求和返回的数据。数据模型可以使用类的形式来表示，其中包含接口请求的参数、请求方法、请求地址等信息，以及接口返回的状态码、响应数据等信息。定义一个数据模型可以使数据的传递和处理更加清晰和有序。设计和规划接口自动化框架的数据流转处理是一个复杂的过程，需要根据具体的需求和目标来选择和设计合适的方法。在设计过程中，需要明确需求和目标、定义数据模型、设
刚入职就接手智能WiFi插座的定时开关功能测试，面对时间边界、非法字符、硬件断电等上百条测试数据的需求，我一度头大。后来试着把数据生成的活儿交给AI，四轮对话、不到10分钟，竟然拿到了一份120多条的高覆盖测试数据表——正常流程、边界值、安全注入字符、硬件异常全都有。这篇博客完整复盘了我向AI提问的每一步话术，也聊了一个物联网新人用AI偷师的真实感受：省下的不只是时间，还有一种结构化拆解测试点的思
测试用例
——测试用例
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
DeepSeek技术社区
2048 AI社区
