課程簡(jiǎn)介
課程聚焦AI智能化軟件測(cè)試方法與實(shí)踐。結(jié)合理論與實(shí)際案例，涵蓋AI技術(shù)概覽、GUI測(cè)試自動(dòng)化、圖像與語(yǔ)音交互測(cè)試、大語(yǔ)言模型應(yīng)用等關(guān)鍵內(nèi)容。通過(guò)動(dòng)手實(shí)踐與討論，學(xué)員將掌握AI在軟件測(cè)試中的應(yīng)用技巧，提升測(cè)試效率與質(zhì)量，解決實(shí)際工作中的測(cè)試難題。
目標(biāo)收益
1.掌握AI測(cè)試工具使用：熟悉Applitools、MABL等主流工具。
2.提升GUI測(cè)試自動(dòng)化能力：學(xué)會(huì)元素識(shí)別、斷言及并行化測(cè)試。
3.理解AI技術(shù)在測(cè)試中的應(yīng)用：深入學(xué)習(xí)深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等技術(shù)。
4.學(xué)會(huì)大語(yǔ)言模型優(yōu)化策略：掌握提示詞工程、模型微調(diào)等技巧。
5.提升測(cè)試數(shù)據(jù)生成效率：利用AI技術(shù)自動(dòng)化生成測(cè)試數(shù)據(jù)。
6.增強(qiáng)測(cè)試結(jié)果驗(yàn)證能力：運(yùn)用AI進(jìn)行圖像識(shí)別、文本校驗(yàn)等驗(yàn)證。
培訓(xùn)對(duì)象
初中高級(jí)測(cè)試工程師、自動(dòng)化測(cè)試開(kāi)發(fā)人員、測(cè)試組長(zhǎng)、測(cè)試經(jīng)理、SQA人員
課程大綱
| AI智能化軟件測(cè)試典型問(wèn)題分析 |
1.問(wèn)題分析 2.討論 |
| AI領(lǐng)域發(fā)展與應(yīng)用 |
1.AI在各行業(yè)的落地應(yīng)用 2.案例演示 3.AI技術(shù)概覽 4.AI技術(shù)的四要素 5.AI模型的研發(fā)流程 6.AI的未來(lái)發(fā)展趨勢(shì) |
| AI主要應(yīng)用技術(shù)分類 |
1.深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò) 2.圖像算法典型案例 3.語(yǔ)音算法典型案例 4.NLP算法典型案例 5.大語(yǔ)言模型典型案例 |
| AI通用自動(dòng)化測(cè)試主流工具 |
1.Applitools 2.MABL 3.Sikuli |
| GUI測(cè)試自動(dòng)化要點(diǎn) |
1.元素識(shí)別與定位多種方法 2.斷言多種方法 3.并行化分發(fā)測(cè)試-多機(jī)并行化同構(gòu)設(shè)備分發(fā)實(shí)現(xiàn) 4.并行化兼容測(cè)試-多機(jī)并行化異構(gòu)設(shè)備全量實(shí)現(xiàn) 5.自動(dòng)化適配-因UI變更自動(dòng)匹配更新用例 6.自動(dòng)化圖像匹配-圖像對(duì)比與搜索 7.自動(dòng)化用例rerun和步驟retry 8.失敗結(jié)果自動(dòng)化錄屏 9.自動(dòng)化結(jié)果多級(jí)反饋 10.實(shí)現(xiàn)無(wú)人值守的自動(dòng)化測(cè)試 |
| OCR智能識(shí)別 |
1.什么是OCR？ 2.通過(guò)OCR技術(shù)解決UI頻繁變更的痛點(diǎn) 3.異常自動(dòng)識(shí)別 |
| Sikuli工具應(yīng)用 |
1.Sikuli工具簡(jiǎn)介 2.Sikuli的應(yīng)用場(chǎng)景 3.圖像抓取 4.用例描述 5.自動(dòng)化執(zhí)行 |
| AI圖像目標(biāo)檢測(cè) |
1.AI Yolo模型簡(jiǎn)介 2.圖像標(biāo)注 3.模型訓(xùn)練 4.效果評(píng)測(cè) 5.模型推理 6.Badcase分析 7.模型優(yōu)化 |
| ASR應(yīng)用概述 |
1.ASR簡(jiǎn)介 2.ASR的應(yīng)用場(chǎng)景 3.ASR評(píng)測(cè) 4.【案例】ASR的測(cè)試實(shí)踐~一鍵提單 |
| TTS應(yīng)用概述 |
1.TTS簡(jiǎn)介 2.TTS的應(yīng)用場(chǎng)景 3.TTS評(píng)測(cè) 4.【案例】TTS的測(cè)試實(shí)踐~人機(jī)交互 |
| NLP應(yīng)用概述 |
1.NLP簡(jiǎn)介 2.NLP的應(yīng)用場(chǎng)景 3.NLP評(píng)測(cè) 4.【案例】輿情分析實(shí)踐 |
| 大語(yǔ)言模型技術(shù) |
1.大語(yǔ)言模型的定義和特點(diǎn) 2.大語(yǔ)言模型技術(shù)演變簡(jiǎn)史 3.深入解析大語(yǔ)言模型的架構(gòu)、訓(xùn)練方法和優(yōu)化技術(shù) 4.大語(yǔ)言模型在自然語(yǔ)言處理任務(wù)中的性能表現(xiàn) |
| 提示詞工程 |
1.什么是提示詞工程？ 2.優(yōu)化的上下文提示詞 3.【案例】提示詞返回精準(zhǔn)答案 |
| 大模型結(jié)果優(yōu)化策略 |
1.溫度微調(diào) 2.使用top-k/top-p采樣 3.增加上下文信息 4.模型后處理 5.大模型微調(diào) 6.多模型融合 7.【案例】生產(chǎn)環(huán)境數(shù)據(jù)抽檢評(píng)測(cè) 8.【案例】badcase分析與優(yōu)化推薦 |
| 大語(yǔ)言模型在測(cè)試領(lǐng)域的應(yīng)用 |
1.大語(yǔ)言模型在測(cè)試領(lǐng)域的應(yīng)用案例分析 2.【討論】大語(yǔ)言模型對(duì)傳統(tǒng)測(cè)試方法的挑戰(zhàn)與機(jī)遇 |
| DeepSeek概述 |
1.DeepSeek簡(jiǎn)介 2.DeepSeek架構(gòu)與原理 3.DeepSeek優(yōu)勢(shì) 4.DeepSeek不足 5.如何部署DeepSeek 6.【案例】本地調(diào)用DeepSeek |
| Ollama進(jìn)行code review |
1.Ollama簡(jiǎn)介 2.模型參數(shù) 3.網(wǎng)絡(luò)安全隔離 4.部署Ollama環(huán)境 5.Ollama常用操作命令 6.離線模型CLI接口 7.模型API接口 8.API調(diào)用方式 9.UI調(diào)試界面 10.Code review結(jié)果解析 11.Code review結(jié)果推送 12.【案例】進(jìn)行自動(dòng)化code review |
| 高效利用Ollama |
1.下載docker鏡像 2.啟動(dòng)docker pod 3.映射多接口地址 4.部署Nginx 5.配置Nginx實(shí)現(xiàn)輪詢 6.實(shí)現(xiàn)接口并發(fā)處理 |
| DeepSeek進(jìn)行單元測(cè)試 |
1.生成單元測(cè)試代碼~c++ 2.集成至gtest 3.C++測(cè)試覆蓋率統(tǒng)計(jì)工具gcov 4.生成單元測(cè)試代碼~python 5.Python測(cè)試覆蓋率統(tǒng)計(jì)工具python coverage 6.進(jìn)行自動(dòng)化單元測(cè)試執(zhí)行 7.優(yōu)化單元測(cè)試代碼 8.【案例】集成至CI流水線 |
| 測(cè)試數(shù)據(jù)自動(dòng)化生成 |
1.測(cè)試數(shù)據(jù)自動(dòng)化生成需求 2.測(cè)試數(shù)據(jù)自動(dòng)化生成技術(shù)框架設(shè)計(jì) 3.測(cè)試數(shù)據(jù)自動(dòng)化生成關(guān)鍵點(diǎn) 4.測(cè)試數(shù)據(jù)自動(dòng)化生成規(guī)則 |
| AI在測(cè)試數(shù)據(jù)生成中的應(yīng)用 |
1.文本數(shù)據(jù)生成 2.圖像數(shù)據(jù)生成 3.語(yǔ)音數(shù)據(jù)生成 4.【案例】使用DeepSeek生成測(cè)試數(shù)據(jù) 5.分析生成數(shù)據(jù)的質(zhì)量和有效性，探討改進(jìn)策略 |
| DeepSeek生成自動(dòng)化測(cè)試用例 |
1.自動(dòng)化測(cè)試用例語(yǔ)言描述 2.生成自動(dòng)化測(cè)試腳本 3.優(yōu)化語(yǔ)言描述 4.【案例】生成接口自動(dòng)化python測(cè)試腳本 5.【案例】生成webUI自動(dòng)化python測(cè)試腳本 |
| AI在測(cè)試結(jié)果驗(yàn)證中的應(yīng)用 |
1.圖像識(shí)別 2.目標(biāo)檢測(cè) 3.OCR檢測(cè) 4.文本結(jié)果校驗(yàn) 5.日志分析 6.【案例】大模型對(duì)測(cè)試結(jié)果進(jìn)行自動(dòng)化驗(yàn)證 |
| 代碼覆蓋率 |
1.代碼覆蓋率統(tǒng)計(jì)指標(biāo) 2.python代碼覆蓋統(tǒng)計(jì)工具coverage 3.c++代碼覆蓋統(tǒng)計(jì)分析工具opencppcoverage 4.java代碼覆蓋率統(tǒng)計(jì)分析工具jacoco 5.代碼覆蓋工具與jenkins集成 6.白盒測(cè)試代碼覆蓋率 7.黑盒測(cè)試代碼覆蓋率 |
| Diff測(cè)試技術(shù)深入 |
1.Diff測(cè)試的原理、技術(shù)和應(yīng)用場(chǎng)景 2.Diff測(cè)試在代碼質(zhì)量評(píng)估中的優(yōu)勢(shì)和挑戰(zhàn) 3.Codediff生成改動(dòng)函數(shù)列表 4.分析改動(dòng)函數(shù)的潛在bug 5.【案例】使用大語(yǔ)言模型進(jìn)行Diff測(cè)試，分析代碼差異和潛在問(wèn)題 |
| 精準(zhǔn)測(cè)試實(shí)踐 |
1.精準(zhǔn)測(cè)試定義 2.精準(zhǔn)測(cè)試的優(yōu)點(diǎn) 3.精準(zhǔn)測(cè)試存在的問(wèn)題 4.精準(zhǔn)測(cè)試實(shí)現(xiàn)流程 5.獲取單個(gè)用例覆蓋率 6.存儲(chǔ)用例與函數(shù)對(duì)應(yīng)關(guān)系 7.自動(dòng)化測(cè)試關(guān)聯(lián)方案 8.通過(guò)codediff查詢對(duì)應(yīng)測(cè)試用例 9.實(shí)現(xiàn)測(cè)試用例推薦 10.提測(cè)自動(dòng)關(guān)聯(lián)精準(zhǔn)測(cè)試消息推送 11.精準(zhǔn)測(cè)試度量與分析 12.漏檢分析 13.質(zhì)量評(píng)估 14.【案例】精準(zhǔn)測(cè)試實(shí)踐 |
| 性能監(jiān)控工具 |
1.性能監(jiān)控主要指標(biāo) 2.Prometheus簡(jiǎn)介 3.使用Prometheus進(jìn)行性能監(jiān)控 4.node-exporter部署 5.Nmon簡(jiǎn)介 6.利用Nmon進(jìn)行性能監(jiān)控 7.【案例】生產(chǎn)環(huán)境可靠性監(jiān)控與告警 |
| 利用JMeter進(jìn)行性能測(cè)試 |
1.基準(zhǔn)測(cè)試概述 2.壓力測(cè)試概述 3.JMeter概述 4.測(cè)試計(jì)劃 5.線程組 6.取樣器 7.監(jiān)聽(tīng)器 8.聚合報(bào)告 9.查看結(jié)果樹(shù) 10.圖形結(jié)果 11.生成性能測(cè)試報(bào)告 12.【案例】性能測(cè)試報(bào)告 13.【案例】自動(dòng)化探壓測(cè)試實(shí)踐 |
|
AI智能化軟件測(cè)試典型問(wèn)題分析 1.問(wèn)題分析 2.討論 |
|
AI領(lǐng)域發(fā)展與應(yīng)用 1.AI在各行業(yè)的落地應(yīng)用 2.案例演示 3.AI技術(shù)概覽 4.AI技術(shù)的四要素 5.AI模型的研發(fā)流程 6.AI的未來(lái)發(fā)展趨勢(shì) |
|
AI主要應(yīng)用技術(shù)分類 1.深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò) 2.圖像算法典型案例 3.語(yǔ)音算法典型案例 4.NLP算法典型案例 5.大語(yǔ)言模型典型案例 |
|
AI通用自動(dòng)化測(cè)試主流工具 1.Applitools 2.MABL 3.Sikuli |
|
GUI測(cè)試自動(dòng)化要點(diǎn) 1.元素識(shí)別與定位多種方法 2.斷言多種方法 3.并行化分發(fā)測(cè)試-多機(jī)并行化同構(gòu)設(shè)備分發(fā)實(shí)現(xiàn) 4.并行化兼容測(cè)試-多機(jī)并行化異構(gòu)設(shè)備全量實(shí)現(xiàn) 5.自動(dòng)化適配-因UI變更自動(dòng)匹配更新用例 6.自動(dòng)化圖像匹配-圖像對(duì)比與搜索 7.自動(dòng)化用例rerun和步驟retry 8.失敗結(jié)果自動(dòng)化錄屏 9.自動(dòng)化結(jié)果多級(jí)反饋 10.實(shí)現(xiàn)無(wú)人值守的自動(dòng)化測(cè)試 |
|
OCR智能識(shí)別 1.什么是OCR？ 2.通過(guò)OCR技術(shù)解決UI頻繁變更的痛點(diǎn) 3.異常自動(dòng)識(shí)別 |
|
Sikuli工具應(yīng)用 1.Sikuli工具簡(jiǎn)介 2.Sikuli的應(yīng)用場(chǎng)景 3.圖像抓取 4.用例描述 5.自動(dòng)化執(zhí)行 |
|
AI圖像目標(biāo)檢測(cè) 1.AI Yolo模型簡(jiǎn)介 2.圖像標(biāo)注 3.模型訓(xùn)練 4.效果評(píng)測(cè) 5.模型推理 6.Badcase分析 7.模型優(yōu)化 |
|
ASR應(yīng)用概述 1.ASR簡(jiǎn)介 2.ASR的應(yīng)用場(chǎng)景 3.ASR評(píng)測(cè) 4.【案例】ASR的測(cè)試實(shí)踐~一鍵提單 |
|
TTS應(yīng)用概述 1.TTS簡(jiǎn)介 2.TTS的應(yīng)用場(chǎng)景 3.TTS評(píng)測(cè) 4.【案例】TTS的測(cè)試實(shí)踐~人機(jī)交互 |
|
NLP應(yīng)用概述 1.NLP簡(jiǎn)介 2.NLP的應(yīng)用場(chǎng)景 3.NLP評(píng)測(cè) 4.【案例】輿情分析實(shí)踐 |
|
大語(yǔ)言模型技術(shù) 1.大語(yǔ)言模型的定義和特點(diǎn) 2.大語(yǔ)言模型技術(shù)演變簡(jiǎn)史 3.深入解析大語(yǔ)言模型的架構(gòu)、訓(xùn)練方法和優(yōu)化技術(shù) 4.大語(yǔ)言模型在自然語(yǔ)言處理任務(wù)中的性能表現(xiàn) |
|
提示詞工程 1.什么是提示詞工程？ 2.優(yōu)化的上下文提示詞 3.【案例】提示詞返回精準(zhǔn)答案 |
|
大模型結(jié)果優(yōu)化策略 1.溫度微調(diào) 2.使用top-k/top-p采樣 3.增加上下文信息 4.模型后處理 5.大模型微調(diào) 6.多模型融合 7.【案例】生產(chǎn)環(huán)境數(shù)據(jù)抽檢評(píng)測(cè) 8.【案例】badcase分析與優(yōu)化推薦 |
|
大語(yǔ)言模型在測(cè)試領(lǐng)域的應(yīng)用 1.大語(yǔ)言模型在測(cè)試領(lǐng)域的應(yīng)用案例分析 2.【討論】大語(yǔ)言模型對(duì)傳統(tǒng)測(cè)試方法的挑戰(zhàn)與機(jī)遇 |
|
DeepSeek概述 1.DeepSeek簡(jiǎn)介 2.DeepSeek架構(gòu)與原理 3.DeepSeek優(yōu)勢(shì) 4.DeepSeek不足 5.如何部署DeepSeek 6.【案例】本地調(diào)用DeepSeek |
|
Ollama進(jìn)行code review 1.Ollama簡(jiǎn)介 2.模型參數(shù) 3.網(wǎng)絡(luò)安全隔離 4.部署Ollama環(huán)境 5.Ollama常用操作命令 6.離線模型CLI接口 7.模型API接口 8.API調(diào)用方式 9.UI調(diào)試界面 10.Code review結(jié)果解析 11.Code review結(jié)果推送 12.【案例】進(jìn)行自動(dòng)化code review |
|
高效利用Ollama 1.下載docker鏡像 2.啟動(dòng)docker pod 3.映射多接口地址 4.部署Nginx 5.配置Nginx實(shí)現(xiàn)輪詢 6.實(shí)現(xiàn)接口并發(fā)處理 |
|
DeepSeek進(jìn)行單元測(cè)試 1.生成單元測(cè)試代碼~c++ 2.集成至gtest 3.C++測(cè)試覆蓋率統(tǒng)計(jì)工具gcov 4.生成單元測(cè)試代碼~python 5.Python測(cè)試覆蓋率統(tǒng)計(jì)工具python coverage 6.進(jìn)行自動(dòng)化單元測(cè)試執(zhí)行 7.優(yōu)化單元測(cè)試代碼 8.【案例】集成至CI流水線 |
|
測(cè)試數(shù)據(jù)自動(dòng)化生成 1.測(cè)試數(shù)據(jù)自動(dòng)化生成需求 2.測(cè)試數(shù)據(jù)自動(dòng)化生成技術(shù)框架設(shè)計(jì) 3.測(cè)試數(shù)據(jù)自動(dòng)化生成關(guān)鍵點(diǎn) 4.測(cè)試數(shù)據(jù)自動(dòng)化生成規(guī)則 |
|
AI在測(cè)試數(shù)據(jù)生成中的應(yīng)用 1.文本數(shù)據(jù)生成 2.圖像數(shù)據(jù)生成 3.語(yǔ)音數(shù)據(jù)生成 4.【案例】使用DeepSeek生成測(cè)試數(shù)據(jù) 5.分析生成數(shù)據(jù)的質(zhì)量和有效性，探討改進(jìn)策略 |
|
DeepSeek生成自動(dòng)化測(cè)試用例 1.自動(dòng)化測(cè)試用例語(yǔ)言描述 2.生成自動(dòng)化測(cè)試腳本 3.優(yōu)化語(yǔ)言描述 4.【案例】生成接口自動(dòng)化python測(cè)試腳本 5.【案例】生成webUI自動(dòng)化python測(cè)試腳本 |
|
AI在測(cè)試結(jié)果驗(yàn)證中的應(yīng)用 1.圖像識(shí)別 2.目標(biāo)檢測(cè) 3.OCR檢測(cè) 4.文本結(jié)果校驗(yàn) 5.日志分析 6.【案例】大模型對(duì)測(cè)試結(jié)果進(jìn)行自動(dòng)化驗(yàn)證 |
|
代碼覆蓋率 1.代碼覆蓋率統(tǒng)計(jì)指標(biāo) 2.python代碼覆蓋統(tǒng)計(jì)工具coverage 3.c++代碼覆蓋統(tǒng)計(jì)分析工具opencppcoverage 4.java代碼覆蓋率統(tǒng)計(jì)分析工具jacoco 5.代碼覆蓋工具與jenkins集成 6.白盒測(cè)試代碼覆蓋率 7.黑盒測(cè)試代碼覆蓋率 |
|
Diff測(cè)試技術(shù)深入 1.Diff測(cè)試的原理、技術(shù)和應(yīng)用場(chǎng)景 2.Diff測(cè)試在代碼質(zhì)量評(píng)估中的優(yōu)勢(shì)和挑戰(zhàn) 3.Codediff生成改動(dòng)函數(shù)列表 4.分析改動(dòng)函數(shù)的潛在bug 5.【案例】使用大語(yǔ)言模型進(jìn)行Diff測(cè)試，分析代碼差異和潛在問(wèn)題 |
|
精準(zhǔn)測(cè)試實(shí)踐 1.精準(zhǔn)測(cè)試定義 2.精準(zhǔn)測(cè)試的優(yōu)點(diǎn) 3.精準(zhǔn)測(cè)試存在的問(wèn)題 4.精準(zhǔn)測(cè)試實(shí)現(xiàn)流程 5.獲取單個(gè)用例覆蓋率 6.存儲(chǔ)用例與函數(shù)對(duì)應(yīng)關(guān)系 7.自動(dòng)化測(cè)試關(guān)聯(lián)方案 8.通過(guò)codediff查詢對(duì)應(yīng)測(cè)試用例 9.實(shí)現(xiàn)測(cè)試用例推薦 10.提測(cè)自動(dòng)關(guān)聯(lián)精準(zhǔn)測(cè)試消息推送 11.精準(zhǔn)測(cè)試度量與分析 12.漏檢分析 13.質(zhì)量評(píng)估 14.【案例】精準(zhǔn)測(cè)試實(shí)踐 |
|
性能監(jiān)控工具 1.性能監(jiān)控主要指標(biāo) 2.Prometheus簡(jiǎn)介 3.使用Prometheus進(jìn)行性能監(jiān)控 4.node-exporter部署 5.Nmon簡(jiǎn)介 6.利用Nmon進(jìn)行性能監(jiān)控 7.【案例】生產(chǎn)環(huán)境可靠性監(jiān)控與告警 |
|
利用JMeter進(jìn)行性能測(cè)試 1.基準(zhǔn)測(cè)試概述 2.壓力測(cè)試概述 3.JMeter概述 4.測(cè)試計(jì)劃 5.線程組 6.取樣器 7.監(jiān)聽(tīng)器 8.聚合報(bào)告 9.查看結(jié)果樹(shù) 10.圖形結(jié)果 11.生成性能測(cè)試報(bào)告 12.【案例】性能測(cè)試報(bào)告 13.【案例】自動(dòng)化探壓測(cè)試實(shí)踐 |
近期公開(kāi)課推薦
