AI在测试左移场景下效率提升专项培训

DevOps与测试左移

• DevOps中测试的角色
  • 传统瀑布模型 vs DevOps模型
  • 测试新定位（角色转变：手工用例→自动化策略；报Bug→缺陷预防；功能正确→可测试性/可观测性）
• 测试左移的核心价值
  • 定义：测试活动提前，靠近源头
  • 三大实践：需求可测性审查、契约测试、单元测试&静态分析自动化（代码质量门禁）
  • 本质：事后检验→事前预防；发现问题→避免问题

基于Agently4.0的测试左移实战

• 前置问题
  • 为何选Agently4.0：AI增强左移效率优势（需求分析、用例生成等维度）、解决传统左移痛点（需求模糊、单测慢等）
  • Agently4.0 vs LangChain：高确定性场景适配性
  • 具体应用：需求→测试点提取、单测代码生成、边界值推测、接口契约生成、缺陷根因反推
• 设计思路及代码实现
  • 架构：数据流驱动+模块化步骤（TriggerFlow为核心）
  • 环境与API：Python3.10、Agently4.0等环境配置，核心API解析（全局配置、Agent实例、数据流）
  • 实际运行：脚本运行与模型输出体感

基于AI的代码diff分析及用例关联

• 精准测试背景
  • 必要性：以MR测试为例
  • 传统做法：大厂精准测试流程
  • 痛点：Jacoco二开、采集成本高、静态分析误报、架构耦合
• AI解决方案
  • 技术路径：RAG + Function Calling + LLM
  • Coze工作流：设计思路、背景知识（gitee webhook等）、实际运行体感

AI驱动的精准测试

• 知识图谱基础
  • 定义：结构化知识表示（节点+边的图结构）
  • 测试领域应用：代码变更影响面评估、测试用例推荐、缺陷预测及影响分析等
  • 设计流程与关键技术
    • 需求分析：明确目标、实体类型、关系类型
    • 知识获取：从文档等提取实体关系，技术（NLP），工具（Spacy及其实体识别、关系抽取、依存句法分析）
    • 知识建模：本体设计、图谱结构设计（节点、边、属性）、可视化工具（Neo4j Browser/Arrows）
    • 知识存储：图数据库（Neo4j）与传统数据库（MySQL）选型对比
    • 知识更新与应用：集成CI实时同步变更，查询接口（Cypher语言）
• 知识图谱驱动的精准测试
  • 基于需求文档的测试用例智能推荐
  • 代码变更影响面智能评估及测试用例智能推荐
• 知识图谱与现有测试工具/基础设施集成
  • 集成方式：Neo4j REST API/驱动集成到Pytest、Junit等工具及CI
  • 代码变更自动更新知识图谱的流程与代码示例
• 知识图谱、LLM选型
  • 选型对比（核心思想、数据基础、可解释性、更新成本等维度）
  • 分阶段实施建议（初创/中小团队、成熟团队）及未来演进方向

AI监控Pipeline与日志分析

• 日志分类与异常检测
  • 传统做法痛点：正则/ELK规则难维护、人工审查低效
  • AI优势：语义理解强、自动分类检测、动态适应、减少误漏报
  • 模型推荐：`distilbert-base-uncased`及日志分类/异常检测代码示例
•  问题根因分析
  • 方法：RAG知识库（历史故障知识库）、LLM
  • 演示：结合Coze工作流展示两种方法