大模型时代AI 移动端自动化新方案

   从2018年4月份和同事一起讨论搞测试开发培训的事情，到9月份正式在腾讯课堂上发布课程，目前已有将近2000人次学习，同时在我们的技术交流群中也有将近300个同学。平时大家遇到问题相互交流，我们也在尽力帮助大家解决遇到的各种问题。在与大家交流的时候，存在一个问题：测试，测试开发，有没有速成的方法呢？   我的答案是肯定的：坚决没有速成之道，但有提升捷径！！！一，测试工作中浮躁的现象...

测试用例虽然很简单，也是测试人员入门必备的能力，但是要想写好一份高质量的用例也不那么简单。如果你能负责维护一套高可用，清晰易读的产品用例库，那就更加不简单了。当这样的能力成为你的习惯的时候，就不仅仅是在用例编写上，所以涉及到的项目，技术都能总结的很好，慢慢沉淀成你的知识体系，最后想不进步都难。

众所周知，在测试三大自动化测试体系中，接口自动化的执行效率最高，而UI级别的自动化测试是根本无法达到接口级的执行速度的。而WebUI自动化测试，可以通过多线程的方法来同时打开多个浏览器执行测试用例，AppUI自动化就比较麻烦了，因为同一个手机上不可能同时打开两个同一应用的，所以AppUI自动化测试执行效率非常慢。但是为了达到自动化测试在日常测试工作中真正使用起来，AppUI自动化提效率也势在必行。

     编写测试用例是测试人员的基本功，可是在学校的时候我们好像也没有相应的课程来教我们相应的设计方法。后来我们从网上或是一些软件测试相关的书上会看到不少介绍编写测试用例的方法，如：等价类划分，边界值分析法，错误推测法，判定表法，正交实验法等，可是我们工作后这些方法好像不太好用。曾经我面试过一个同学，在面试过程中让他写了一个登录功能的测试用例。他使用等价类划分法来编写测试用例，写的超级多，我..

Electron+Vue构建项目时出错：Error: Exit code: ENOENT. spawn /usr/bin/python ENOENT。

人工智能现在使用的越来越成熟了，如人脸识别，图像识别等，在AppUI自动化测试中，也有越来越多的框架或是公司引入图像识别技术来提高自动化测试的执行效率。图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。现阶段图像识别技术一般分为人脸识别与商品识别，人脸识别主要运用在安全检查、身份核验与移动支付中；商品识别主要运用在商品流通过

业界现有的大模型WebUI自动化测试方案

大模型下测试䢍改进

基于 agent-device 构建一个兼容 Android、iOS 和鸿蒙（HarmonyOS）的移动端 AI 自动化测试平台，是一个非常具有前瞻性的架构选择。