大模型赋能软件测试&效能提升最佳实践

时间安排

Day1/Day2

课程时长

课程章节

详细章节内容

章节亮点

备注

Day19：00-- 12：00

1.5h

第一部分： 面向技术研 发者的

LLM 体系化知识详解

1.LLM 应用能力的进阶模型（“倒三角”模型）

2.提示的万能使用公式详解

3.提示词的横向扩展和纵向扩展

4.提示词静态链的使用

5.提示词动态链的使用

6.思维链和多思维链

7.ReAct 的概念和落地

8.RAG 的基本原理与应用

9.模型微调 SFT 的利与弊

10.RAG 的利与弊

11.知识工程建设的必要性和核心思路

12.业界主流 Agent 的设计思路与使用

13.业界主流 Multi-Agent 的设计思路

14.MCP 协议的基本原理

15.Manus 的基本原理

为学员系统构建完整的 LLM 知识框架，涵盖

“能力模型 - 提示词 -核心应用方案 - Agent  设计 - 协议原理” 五大 模块，为研发者提供从理论到落地的全流程

LLM 应用系统指导。

如果

前期

没有

系统

培训

过大

模型

基

础，

建议

保留

1.5h

第二部分： 测试分析与 设计应用

LLM的最佳 实践

1.测试分析的技术维度与分类

2.利用LLM的测试点获取方式

3.测试点不等于测试用例

4.测试点的LLM再加工

5.测试用例的粒度控制

6.利用LLM实现测试用例设计的文档化

7.敏捷业态下LLM辅助的测试用例设计

8.测试设计中需求确认与细化

9.基于LLM的探索式测试的正确打开方式

如何利用LLM进行测试 点提取、用例设计与文 档化， AI辅助需求分析 与细化，提升测试分析 的效率与覆盖度。

Day113：30--

16：30

3h

第三部分：     LLM在软件 研发全流程 中的应用

1.软件研发全流程中LLM擅长的部分

2.软件研发全流程中LLM不擅长的部分

3.需求分析阶段LLM的应用场景与案例

4.技术选型阶段LLM的应用场景与案例

5.顶层设计阶段LLM的应用场景与案例

6.详细设计阶段LLM的应用场景与案例

7.从设计到UML，从UML到代码的完整示例

8.编码阶段LLM的应用场景与案例

9.代码评审阶段LLM的应用场景与案例

10.从需求到测试点，从测试点到测试用例的完整实 践

11.单元测试阶段LLM的应用场景与案例

12.接口测试阶段LLM的应用场景与案例

13.GUI测试阶段LLM的应用场景与案例（UAT）

14.持续集成流水中LLM的应用场景与案例

15.各类软件工程文档中LLM的应用场景与案例

16.持续发布中LLM的应用场景与案例

17.性能测试阶段LLM的应用场景与案例

18.测试结果分析中LLM的应用场景与案例

1.明确 LLM 在软件研发 全流程中的擅长与不擅长领域，清晰其能力边界；

2.覆盖研发各阶段（需 求、选型、设计、编码 、测试、发布等）LLM 应用场景与案例，含设 计到代码、需求到测试 用例等完整实践，助力 研发提效

Day2

9：00-- 12：00

3h

第四部分：  LLM在软件 质量与测试 领域中的应 用与案例

1.使用Testpilot自动生成测试用例

2.Testpilot的基本原理

3.使用OpenAIAPI实现单元测试用例的生成

4.LLM用于单元测试用例生成的技术难点与解决思 路

5.使用OpenAIAPI实现API接口测试用例的生成

6.使用DeepSeek实现API组合调用测试用例的生成

7.LLM在测试数据生成领域的应用与实践

8.LLM用于API接口测试用例生成的技术难点与解决 思路

9.测试脚本开发中的GitHubCopilot应用

10.CopilotX的能力与测试领域应用

11.使用langchain完成AI测试方案开发的完整流程

12.使用Dify实现智能体开发的完整流程

13.基于AIAgent的测试用例设计生成技术

14.基于AIAgent的测试用例脚本生成技术

15.基于Multi-Agent的测试用例设计生成技术

16.基于Multi-Agent的测试用例脚本生成技术

17.使用LLM实现MonkeyTest的能力扩展

18.使用LLM实现无脚本的MobileApp探索测试

19.使用LLM识别错误敏感的测试数据

20.使用LLM实现失败测试用例的自动修复

21.使用LLM提升被测对象的可测试性

通过Testpilot、

Copilot、LangChain等测试AI工具实战，演 示LLM在测试用例生成 、接口测试、脚本开发 与自动修复等方面的应 用。

Day213：30--

16：30

1h

第五部分： 个人开发与 自测试阶段 的研发效能 提升实践

1.个人开发环境的效能提升

2.基于AI精准提升的代码输入效率提升 3.本地编译加速的常用手段

4.代码静态质量的前期把控

5.代码动态质量的前期把控

6.静态代码规范的落地实践

7.单元测试的适用范围

8.单元测试的自动生成技术原理解读

9.代码覆盖率统计与质量门禁

10.开发者自测的行业实践

11.自测环境的管理与提效

12.如果用好本地CI流水线

13.本地CI流水线效能优化的方方面面

14.本地开发质量门禁能力建设与工具案例

15.第三方依赖库的管理与效能提升

16.独家干货：互联网大厂实战案例分享

聚焦个人生产力提升、

覆盖AI 编码、本地编译 、第三方依赖库等提效手段；覆盖代码静态 /动态质量把控、规范落地、单元测试（范围 /生成 / 覆盖率）、自测管理等质量保障要点，

以及本地 CI 流水线

（使用 / 优化）、质量 门禁建设（工具案例）

2h

第六部分： 企业级知识

工程能力建

设的最佳实 践

1.知识工程的数据来源

2.软件工程场景下的知识来源

3.知识的分类与处理手段

4.显性知识和隐性知识

5.显性知识的处理

6.隐性知识的显性化

7.设计知识的降维处理与实践

8.切片算法选择考虑的因素

9.嵌入算法的选型

10.知识召回率低的分析方法与改进措施

11.知识工程在研发场景下的各类应用与产品形态设 计

12.复盘流程与产出结果如何与LLM结合

13.复盘流程详解

14.复盘闭环行动如何与全流程质量环节结合

15.LLM在复盘场景的应用与详细案例解读（基于代码实现和设计问题展开）

知识工程和上下文工程 在AI提质增效场景的重 要性：数据 / 知识来

源，讲解知识分类、显 隐性知识处理及设计知 识降维实践；覆盖切片 / 嵌入算法选型，提供知识召回率低的分析改 进方法，及研发场景下 知识工程的应用与上下 文工程

可选择部分

2h

第七部分：     AI项目测评 与评测(可选部分)

1.AI项目的测试与评测

2.数据质量验证与预处理规范

3.业务指标与模型目标对齐策略

4.基线模型建立与性能对比

5.模型漂移与差异监测机制 6.多维度评估指标设计

7.对抗样本与边界用例测试方法

8.偏见与公平性检测框架

9.模型可解释性与决策追溯实践

10.A/B测试与渐进式部署策略

11.领域专家人工评估流程

12.版本迭代与回滚预案制定

13.伦理合规与安全审计要点

AI产品的全局质量保障 建立：覆盖数据层（质 量验证 / 预处理）、模 型层（基线建立 / 多维 度评估 / 漂移监测）、测试层（对抗样本 / 边 界用例 / 专家评估）的 全流程评测体系，提供 业务与模型目标对齐、可解释性实践、A/B 测 试等落地方法，配套版 本迭代 / 回滚预案与本 地 CI 适配策略

可选 择

1h

第八部分： LLM 对技术管理的颠 覆性影响

（可选部 分）

1.传统研发团队 vs. 大模型驱动型团队

2.从需求分析到模型调优的全周期变化

3.敏捷开发与大模型迭代的融合

4. LLM 应该给哪个层次的工程师使用

5.算力、数据、人才三大核心资源的管理策略

6.成本效益分析：微调 vs. RAG

7.成本效益分析：私有化部署 vs. API 调用

8. 研发场景下大模型的滥用带来的质量问题

9. LLM 带来架构腐化和一致性恶化的问题

明确大模型使用策略，提供算力、数据、人才 三大核心资源管理策

略，对比微调与 RAG、 私有化部署与 API 调用 的成本效益，以及长期主义下的技术债务问题

可选 择