登录社区云,与社区用户共同成长
邀请您加入社区
手续的关于测试的方法论,都是建立在之前的文章里面提到的观点:功能测试不建议做自动化接口测试性价比最高接口测试可以做自动化后面所谈到的 测试自动化 也将围绕着 接口自动化 来介绍。本系列选择的测试语言是 python 脚本语言。由于其官方文档已经对原理有了比较清楚的解释,本文就不做一些多余的翻译工作了。偏向于实战部分,而且为了偏向实战,也会结合 IDE 工具和项目组织来进行讲解。理由如下:1.脚本语
本文分享了从0到1搭建AI辅助测试体系的实践经验,针对需求缺陷检测、用例生成、缺陷定位和测试报告生成四大场景提出工程化解决方案。通过LLM+RAG技术构建需求缺陷知识库,结合结构化Prompt模板,实现需求潜在缺陷检出率提升39%、用例设计效率提升40%、缺陷定位效率提升25%,测试报告生成从数小时缩短至分钟级。关键经验包括:AI作为辅助工具需与人工评审结合,Prompt需持续优化,知识库数据质量
本文介绍了使用Python构建接口自动化测试框架的核心技术栈:Requests+Pytest+YAML+JSONSchema+Logging+Allure。主要内容包括:Requests处理HTTP请求和会话管理;Pytest实现测试驱动、数据驱动和Fixture管理;YAML存储测试数据和配置;JSONSchema验证复杂JSON响应结构;Logging记录执行日志;Allure生成可视化测试报
1)测试框架的优点代码复用率高,如果不使用框架的话,代码会显得很冗余。可以组装日志、报告、邮件等一些高级功能。提高元素等数据的可维护性,元素发生变化时,只需要更新一下配置文件。使用更灵活的PageObject设计模式。2)测试框架的整体目录【注意】 init.py 文件用以标识此目录为一个python包。
AI Agent测试面临全新挑战:从结果验证转向行为验证 传统软件测试关注固定流程的执行结果,而AI Agent测试需应对自主决策系统的复杂性。AI Agent的核心在于"感知→决策→行动→观察→再决策"的动态过程,这带来四层测试要求:1)任务完成度验证;2)工具选择正确性;3)参数传递准确性;4)执行路径完备性。测试方法需从单一结果断言升级为对决策树的全路径覆盖,可采用图模型和DFS算法系统化探
通过人工智能开发测试平台(OpenClaw+大模型+docker)
摘要:Coze搭建的软件测试助手Skill可作为测试辅助工具,适用于工控/厂务监控软件的测试资料生成、用例初稿输出等场景,但无法替代真实测试执行。其优势包括知识问答、用例生成、报告整理等;存在大模型幻觉、Coze平台限制及工程落地风险。架构设计需明确其为辅助工具定位,包含系统Prompt、知识库和工作流。使用建议强调人工复核和知识库导入。拓展方向包括工作流搭建和输出格式优化。该工具需严格遵循约束条
AI 正在改变测试工作的方式,但对于大多数团队来说,更实际的方向,是让 AI 和自动化测试工具各自发挥价值。先把高频、重要的业务流程通过自动化测试工具沉淀下来,再让 AI 参与探索、分析和辅助排障,才是 AI 时代自动化测试更实际的方向。
本文介绍了AI测试技能包中的性能压测和视觉巡检方案。性能压测采用"一份spec生成三种脚本(k6/JMeter/Locust)"的模式,通过声明式配置降低门槛,并构建分析-规划-执行-报告四阶段流水线。视觉巡检通过Playwright全站截图生成HTML报告,作为上线前的视觉兜底。两者共同组成发布前的"双保险":压测保障性能指标,截图保障UI展示。文章还分享
这篇文章通过比喻和层级关系,清晰解释了AI领域中四个关键概念的区别与联系: 提示词(Prompt):相当于给AI的口头指令,是即时性的输入,需要结构化以精准传达意图。 Skill(技能包):是固化的提示词最佳实践,类似操作手册,可复用和迭代,提升效率。 MCP(Model Context Protocol):定义AI连接外部工具的协议,使AI能安全调用数据和工具,如读写文档或查询数据库。 Agen
【性能测试就绪检查工具perf-readiness-checker】该工具是性能测试7大技能中的第4项,专门用于压测前的全面检查。它通过9大维度60+检查项(包括环境基础、网络权限、数据脚本、监控限流等),自动生成7段式就绪评估报告,明确给出"能否开压"的判定。核心功能包括:场景化智能清单、自动风险识别(如并发数超5000时强制检查系统参数)、上下游联动(自动读取测试计划数据)
传统接口脚本开发第一步,就是人工研读 Swagger/Postman/ 抓包文件,逐条梳理接口路径、请求参数、响应规则、业务约束,不仅耗时,还极易遗漏必填项、枚举值、限流规则等关键信息。比如,让人工来梳理100个接口,可能需要2-3天,还容易遗漏字段约束。这个Skill 技能是专门用于将来自不同来源、不同格式的接口定义数据统一转换成标准化结构化的接口数据。目前支持输入源:Har抓包文件YApi/A
摘要:GitHub Copilot正在重塑单元测试工作流,其AI辅助测试可使代码产出效率提升40%,但也带来35%的测试盲区增加。本文探讨了Copilot在测试用例生成、Mock对象构建等方面的优势与局限,提出了测试框架协同策略和金字塔实践模型,并展示了边界值测试、异步测试等实战技巧。通过安全防护机制和有效性验证矩阵,某金融科技团队实现了测试周期缩短60%、缺陷减少28%的成效。未来将向智能测试分
Claude Code推出革命性语音编程模式,效率提升高达10倍。该功能通过简单的/voice命令启动,允许开发者通过语音实时转换为代码文本,完全免费且不消耗Token额度。实测显示,在复杂bug调试、项目架构梳理等场景中,语音描述比传统打字快5-10倍,让编程回归逻辑思考本质。虽然安静环境下效果最佳,但这一创新已突破"键盘编程"的传统限制,特别适合新手快速表达开发意图。目前功
MiniCPM-o4.5多模态模型开源:实时交互与端侧部署的创新实践 面壁智能开源的MiniCPM-o4.5模型(9B参数)突破了传统多模态模型的局限,主打三大工程化能力:1)实时流式交互,支持持续音视频输入与输出同步进行;2)自然对话模式,允许打断和插话;3)端侧友好部署。该模型采用llama.cpp-omni技术路线,实现了输入输出流不阻塞的完整双工机制。对测试领域而言,这标志着测试对象从&q
性能测试计划不是 JMeter 里填几个参数就完事的。什么目标→ 决定什么策略多少并发→ 决定多少台机器什么场景→ 决定分层顺序什么接口→ 决定读写规范什么风险→ 决定应急预案P02把这套决策流程固化成 Skill,让你不再拍脑袋,每一步都有标准、有公式、有兜底。下一篇,我会介绍 P03,压测数据构造 Skill。解决了"计划怎么做",接下来要解决"数据从哪来"。2,000 万条测试数据,手动造是
通过上面两个简单的实操案例,相信大家已经真切感受到:Skill 带来的绝不仅是「便捷」,更是一种「效率革命」。需求→落地锚定一个具体需求,借助 AI 挖掘 GitHub 上的优质开源项目,再通过 AI 将这些项目「Skill 化」封装,最终沉淀为一个个即拿即用、稳定可靠的 AI 技能。这远不止能解决图片处理、视频下载这类单一需求 —— 你甚至可以把这些超实用的开源项目整合打包,打造一个「万能 Sk
为什么通用规则和业务规则要。
上个月技术复盘会,老板突然问了一个让所有测试组长后背发凉的问题:“听说隔壁团队搞了一套什么Skills库,手工测试量直接砍掉30%?我们什么时候也能这样?”会议室安静了三秒。
静态分析不是为了追求“零告警”的形式主义,而是建立一套可持续的质量机制。对 openclaw 这类软硬件结合项目,质量问题的成本会被硬件调试、现场部署、客户演示成倍放大,所以越早引入越划算。落地时不要贪多。第一阶段只做 clang-tidy、cppcheck、clang-format;第二阶段再加复杂度、重复代码、覆盖率;第三阶段才考虑质量门禁和趋势报表。工具只是手段,真正关键的是团队是否愿意把质
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”。
本文手把手教你20分钟快速创建专属测试用例生成器Skill。通过Agent与Skill协作,将复杂任务拆解与专业能力封装结合,实现测试自动化提效。文章详细演示了使用skill-creator工具从零搭建测试用例生成器的完整流程,包括基础结构、创建步骤、输出示例等,并对比了手动编写与自动生成的效率差异(2-3天 vs 2分钟)。核心优势在于一次性投入20分钟创建Skill后,可永久复用,实现标准化输
别把AI当玩具,要当队友。Skills帮你干的都是那些重复、规则明确、耗时的活——写用例、生成脚本、修定位符、出报告。你腾出来的时间,应该去思考“哪些模块最容易出线上事故”“怎么设计更刁钻的场景”,这才是测试人真正的价值。从今天就能开始。哪怕只做一件事:把一个旧需求文档扔给AI,让它生成20条用例。你会发现,原来从0到1并没有那么难。先跑通,再完美。不用追求一步到位做成全自动闭环,那都是宣传文案里
则是自行开发的skill,输入指令后,Skill会自动解析接口文档中的所有接口信息——包括请求方法、请求地址、参数、请求头、响应格式等核心内容,无需人工干预,几秒内就能生成一份完整的.jmx脚本文件。主要作用是根据接口文档,自动解析接口信息(URL、请求方式、请求头、参数、响应格式),直接生成jmx文件,支持批量解析多个接口,一次性生成完整的jmeter脚本,导入工具即可使用。手工编写繁琐:需逐一
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
大家好,之前写的测试人必备的8个skills,发布后受到很多读者关注,不少小伙伴私信我,有没有更多好用的测试 skills,急需。我花了两天时间帮大家找一个测试全栈skills,实测非常好用..
测试龙虾
适合新手的本地部署工具,支持全自动一键安装,无需手动敲代码或配置环境。该工具提供操作日志输出,确保安装过程透明可见。目前完全免费,可通过QQ群文件下载。
输出更规范、更稳定。