AI在测试左移场景下效率提升专项培训

大模型前沿应用实践 / 2026-01-19 09:15:53
AI在测试左移场景下效率提升专项培训
    马上咨询


    讲师介绍：贾老师

    • 近 12 年就职于多家国内 TOP 互联网科技公司，在质量和研发效能领域深耕：在小米公司任职研发效能和测试总监，在滴滴出行任职技术经理，在蚂蚁金服任职技术组长和高级开发工程师，在京东任职测试组长，具有 10+年国内知名企业技术管理经验。
    • 在互联网/移动互联网领域具有 10+年的丰富软件研发和测试经验，熟悉 LLM 原理，具有运用机器学习手段提效经验。
    • 主导开发的 CodeReview 度量服务、测试工作台、云测服务、协同发版平台等成功在集团范围内大规模落地使用，研发效能帮助业务实现更优的价值。
    • 精通大语言模型、神经网络与机器学习、视觉模型等人工智能理论和AI应用技术，如大模型微调、GPU 与并行计算、Prompt 工程、多模态与视觉识别，同时也积累了垂直行业应用案例等。
    • 培训企业
    • 小米企业内训- -从传统到AI赋能的代码评审规范化
    • 小米企业内训-- 业界标杆质量体系分享
    • 某运动APP-- 移动端性能专项测试体系培训
    • 知乎直播课— AI测试开发训练营（学习周期3个月）
    • 京东集团-- 性能压测体系构建培训
    • 理想汽车-- 研发效能数据度量体系培训


    课程大纲

    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

    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

    最新动态

    点击阅读更多内容
    返回顶部