課程簡介
課程聚焦AI智能化軟件測試方法與實踐。結(jié)合理論與實際案例，涵蓋AI技術(shù)概覽、GUI測試自動化、圖像與語音交互測試、大語言模型應(yīng)用等關(guān)鍵內(nèi)容。通過動手實踐與討論，學(xué)員將掌握AI在軟件測試中的應(yīng)用技巧，提升測試效率與質(zhì)量，解決實際工作中的測試難題。
目標收益
1.掌握AI測試工具使用：熟悉Applitools、MABL等主流工具。
2.提升GUI測試自動化能力：學(xué)會元素識別、斷言及并行化測試。
3.理解AI技術(shù)在測試中的應(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)會大語言模型優(yōu)化策略：掌握提示詞工程、模型微調(diào)等技巧。
5.提升測試數(shù)據(jù)生成效率：利用AI技術(shù)自動化生成測試數(shù)據(jù)。
6.增強測試結(jié)果驗證能力：運用AI進行圖像識別、文本校驗等驗證。
培訓(xùn)對象
初中高級測試工程師、自動化測試開發(fā)人員、測試組長、測試經(jīng)理、SQA人員
課程大綱
| AI智能化軟件測試典型問題分析 |
1.問題分析 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的未來發(fā)展趨勢 |
| 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.語音算法典型案例 4.NLP算法典型案例 5.大語言模型典型案例 |
| AI通用自動化測試主流工具 |
1.Applitools 2.MABL 3.Sikuli |
| GUI測試自動化要點 |
1.元素識別與定位多種方法 2.斷言多種方法 3.并行化分發(fā)測試-多機并行化同構(gòu)設(shè)備分發(fā)實現(xiàn) 4.并行化兼容測試-多機并行化異構(gòu)設(shè)備全量實現(xiàn) 5.自動化適配-因UI變更自動匹配更新用例 6.自動化圖像匹配-圖像對比與搜索 7.自動化用例rerun和步驟retry 8.失敗結(jié)果自動化錄屏 9.自動化結(jié)果多級反饋 10.實現(xiàn)無人值守的自動化測試 |
| OCR智能識別 |
1.什么是OCR？ 2.通過OCR技術(shù)解決UI頻繁變更的痛點 3.異常自動識別 |
| Sikuli工具應(yīng)用 |
1.Sikuli工具簡介 2.Sikuli的應(yīng)用場景 3.圖像抓取 4.用例描述 5.自動化執(zhí)行 |
| AI圖像目標檢測 |
1.AI Yolo模型簡介 2.圖像標注 3.模型訓(xùn)練 4.效果評測 5.模型推理 6.Badcase分析 7.模型優(yōu)化 |
| ASR應(yīng)用概述 |
1.ASR簡介 2.ASR的應(yīng)用場景 3.ASR評測 4.【案例】ASR的測試實踐~一鍵提單 |
| TTS應(yīng)用概述 |
1.TTS簡介 2.TTS的應(yīng)用場景 3.TTS評測 4.【案例】TTS的測試實踐~人機交互 |
| NLP應(yīng)用概述 |
1.NLP簡介 2.NLP的應(yīng)用場景 3.NLP評測 4.【案例】輿情分析實踐 |
| 大語言模型技術(shù) |
1.大語言模型的定義和特點 2.大語言模型技術(shù)演變簡史 3.深入解析大語言模型的架構(gòu)、訓(xùn)練方法和優(yōu)化技術(shù) 4.大語言模型在自然語言處理任務(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)抽檢評測 8.【案例】badcase分析與優(yōu)化推薦 |
| 大語言模型在測試領(lǐng)域的應(yīng)用 |
1.大語言模型在測試領(lǐng)域的應(yīng)用案例分析 2.【討論】大語言模型對傳統(tǒng)測試方法的挑戰(zhàn)與機遇 |
| DeepSeek概述 |
1.DeepSeek簡介 2.DeepSeek架構(gòu)與原理 3.DeepSeek優(yōu)勢 4.DeepSeek不足 5.如何部署DeepSeek 6.【案例】本地調(diào)用DeepSeek |
| Ollama進行code review |
1.Ollama簡介 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】進行自動化code review |
| 高效利用Ollama |
1.下載docker鏡像 2.啟動docker pod 3.映射多接口地址 4.部署Nginx 5.配置Nginx實現(xiàn)輪詢 6.實現(xiàn)接口并發(fā)處理 |
| DeepSeek進行單元測試 |
1.生成單元測試代碼~c++ 2.集成至gtest 3.C++測試覆蓋率統(tǒng)計工具gcov 4.生成單元測試代碼~python 5.Python測試覆蓋率統(tǒng)計工具python coverage 6.進行自動化單元測試執(zhí)行 7.優(yōu)化單元測試代碼 8.【案例】集成至CI流水線 |
| 測試數(shù)據(jù)自動化生成 |
1.測試數(shù)據(jù)自動化生成需求 2.測試數(shù)據(jù)自動化生成技術(shù)框架設(shè)計 3.測試數(shù)據(jù)自動化生成關(guān)鍵點 4.測試數(shù)據(jù)自動化生成規(guī)則 |
| AI在測試數(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.語音數(shù)據(jù)生成 4.【案例】使用DeepSeek生成測試數(shù)據(jù) 5.分析生成數(shù)據(jù)的質(zhì)量和有效性，探討改進策略 |
| DeepSeek生成自動化測試用例 |
1.自動化測試用例語言描述 2.生成自動化測試腳本 3.優(yōu)化語言描述 4.【案例】生成接口自動化python測試腳本 5.【案例】生成webUI自動化python測試腳本 |
| AI在測試結(jié)果驗證中的應(yīng)用 |
1.圖像識別 2.目標檢測 3.OCR檢測 4.文本結(jié)果校驗 5.日志分析 6.【案例】大模型對測試結(jié)果進行自動化驗證 |
| 代碼覆蓋率 |
1.代碼覆蓋率統(tǒng)計指標 2.python代碼覆蓋統(tǒng)計工具coverage 3.c++代碼覆蓋統(tǒng)計分析工具opencppcoverage 4.java代碼覆蓋率統(tǒng)計分析工具jacoco 5.代碼覆蓋工具與jenkins集成 6.白盒測試代碼覆蓋率 7.黑盒測試代碼覆蓋率 |
| Diff測試技術(shù)深入 |
1.Diff測試的原理、技術(shù)和應(yīng)用場景 2.Diff測試在代碼質(zhì)量評估中的優(yōu)勢和挑戰(zhàn) 3.Codediff生成改動函數(shù)列表 4.分析改動函數(shù)的潛在bug 5.【案例】使用大語言模型進行Diff測試，分析代碼差異和潛在問題 |
| 精準測試實踐 |
1.精準測試定義 2.精準測試的優(yōu)點 3.精準測試存在的問題 4.精準測試實現(xiàn)流程 5.獲取單個用例覆蓋率 6.存儲用例與函數(shù)對應(yīng)關(guān)系 7.自動化測試關(guān)聯(lián)方案 8.通過codediff查詢對應(yīng)測試用例 9.實現(xiàn)測試用例推薦 10.提測自動關(guān)聯(lián)精準測試消息推送 11.精準測試度量與分析 12.漏檢分析 13.質(zhì)量評估 14.【案例】精準測試實踐 |
| 性能監(jiān)控工具 |
1.性能監(jiān)控主要指標 2.Prometheus簡介 3.使用Prometheus進行性能監(jiān)控 4.node-exporter部署 5.Nmon簡介 6.利用Nmon進行性能監(jiān)控 7.【案例】生產(chǎn)環(huán)境可靠性監(jiān)控與告警 |
| 利用JMeter進行性能測試 |
1.基準測試概述 2.壓力測試概述 3.JMeter概述 4.測試計劃 5.線程組 6.取樣器 7.監(jiān)聽器 8.聚合報告 9.查看結(jié)果樹 10.圖形結(jié)果 11.生成性能測試報告 12.【案例】性能測試報告 13.【案例】自動化探壓測試實踐 |
|
AI智能化軟件測試典型問題分析 1.問題分析 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的未來發(fā)展趨勢 |
|
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.語音算法典型案例 4.NLP算法典型案例 5.大語言模型典型案例 |
|
AI通用自動化測試主流工具 1.Applitools 2.MABL 3.Sikuli |
|
GUI測試自動化要點 1.元素識別與定位多種方法 2.斷言多種方法 3.并行化分發(fā)測試-多機并行化同構(gòu)設(shè)備分發(fā)實現(xiàn) 4.并行化兼容測試-多機并行化異構(gòu)設(shè)備全量實現(xiàn) 5.自動化適配-因UI變更自動匹配更新用例 6.自動化圖像匹配-圖像對比與搜索 7.自動化用例rerun和步驟retry 8.失敗結(jié)果自動化錄屏 9.自動化結(jié)果多級反饋 10.實現(xiàn)無人值守的自動化測試 |
|
OCR智能識別 1.什么是OCR？ 2.通過OCR技術(shù)解決UI頻繁變更的痛點 3.異常自動識別 |
|
Sikuli工具應(yīng)用 1.Sikuli工具簡介 2.Sikuli的應(yīng)用場景 3.圖像抓取 4.用例描述 5.自動化執(zhí)行 |
|
AI圖像目標檢測 1.AI Yolo模型簡介 2.圖像標注 3.模型訓(xùn)練 4.效果評測 5.模型推理 6.Badcase分析 7.模型優(yōu)化 |
|
ASR應(yīng)用概述 1.ASR簡介 2.ASR的應(yīng)用場景 3.ASR評測 4.【案例】ASR的測試實踐~一鍵提單 |
|
TTS應(yīng)用概述 1.TTS簡介 2.TTS的應(yīng)用場景 3.TTS評測 4.【案例】TTS的測試實踐~人機交互 |
|
NLP應(yīng)用概述 1.NLP簡介 2.NLP的應(yīng)用場景 3.NLP評測 4.【案例】輿情分析實踐 |
|
大語言模型技術(shù) 1.大語言模型的定義和特點 2.大語言模型技術(shù)演變簡史 3.深入解析大語言模型的架構(gòu)、訓(xùn)練方法和優(yōu)化技術(shù) 4.大語言模型在自然語言處理任務(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)抽檢評測 8.【案例】badcase分析與優(yōu)化推薦 |
|
大語言模型在測試領(lǐng)域的應(yīng)用 1.大語言模型在測試領(lǐng)域的應(yīng)用案例分析 2.【討論】大語言模型對傳統(tǒng)測試方法的挑戰(zhàn)與機遇 |
|
DeepSeek概述 1.DeepSeek簡介 2.DeepSeek架構(gòu)與原理 3.DeepSeek優(yōu)勢 4.DeepSeek不足 5.如何部署DeepSeek 6.【案例】本地調(diào)用DeepSeek |
|
Ollama進行code review 1.Ollama簡介 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】進行自動化code review |
|
高效利用Ollama 1.下載docker鏡像 2.啟動docker pod 3.映射多接口地址 4.部署Nginx 5.配置Nginx實現(xiàn)輪詢 6.實現(xiàn)接口并發(fā)處理 |
|
DeepSeek進行單元測試 1.生成單元測試代碼~c++ 2.集成至gtest 3.C++測試覆蓋率統(tǒng)計工具gcov 4.生成單元測試代碼~python 5.Python測試覆蓋率統(tǒng)計工具python coverage 6.進行自動化單元測試執(zhí)行 7.優(yōu)化單元測試代碼 8.【案例】集成至CI流水線 |
|
測試數(shù)據(jù)自動化生成 1.測試數(shù)據(jù)自動化生成需求 2.測試數(shù)據(jù)自動化生成技術(shù)框架設(shè)計 3.測試數(shù)據(jù)自動化生成關(guān)鍵點 4.測試數(shù)據(jù)自動化生成規(guī)則 |
|
AI在測試數(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.語音數(shù)據(jù)生成 4.【案例】使用DeepSeek生成測試數(shù)據(jù) 5.分析生成數(shù)據(jù)的質(zhì)量和有效性，探討改進策略 |
|
DeepSeek生成自動化測試用例 1.自動化測試用例語言描述 2.生成自動化測試腳本 3.優(yōu)化語言描述 4.【案例】生成接口自動化python測試腳本 5.【案例】生成webUI自動化python測試腳本 |
|
AI在測試結(jié)果驗證中的應(yīng)用 1.圖像識別 2.目標檢測 3.OCR檢測 4.文本結(jié)果校驗 5.日志分析 6.【案例】大模型對測試結(jié)果進行自動化驗證 |
|
代碼覆蓋率 1.代碼覆蓋率統(tǒng)計指標 2.python代碼覆蓋統(tǒng)計工具coverage 3.c++代碼覆蓋統(tǒng)計分析工具opencppcoverage 4.java代碼覆蓋率統(tǒng)計分析工具jacoco 5.代碼覆蓋工具與jenkins集成 6.白盒測試代碼覆蓋率 7.黑盒測試代碼覆蓋率 |
|
Diff測試技術(shù)深入 1.Diff測試的原理、技術(shù)和應(yīng)用場景 2.Diff測試在代碼質(zhì)量評估中的優(yōu)勢和挑戰(zhàn) 3.Codediff生成改動函數(shù)列表 4.分析改動函數(shù)的潛在bug 5.【案例】使用大語言模型進行Diff測試，分析代碼差異和潛在問題 |
|
精準測試實踐 1.精準測試定義 2.精準測試的優(yōu)點 3.精準測試存在的問題 4.精準測試實現(xiàn)流程 5.獲取單個用例覆蓋率 6.存儲用例與函數(shù)對應(yīng)關(guān)系 7.自動化測試關(guān)聯(lián)方案 8.通過codediff查詢對應(yīng)測試用例 9.實現(xiàn)測試用例推薦 10.提測自動關(guān)聯(lián)精準測試消息推送 11.精準測試度量與分析 12.漏檢分析 13.質(zhì)量評估 14.【案例】精準測試實踐 |
|
性能監(jiān)控工具 1.性能監(jiān)控主要指標 2.Prometheus簡介 3.使用Prometheus進行性能監(jiān)控 4.node-exporter部署 5.Nmon簡介 6.利用Nmon進行性能監(jiān)控 7.【案例】生產(chǎn)環(huán)境可靠性監(jiān)控與告警 |
|
利用JMeter進行性能測試 1.基準測試概述 2.壓力測試概述 3.JMeter概述 4.測試計劃 5.線程組 6.取樣器 7.監(jiān)聽器 8.聚合報告 9.查看結(jié)果樹 10.圖形結(jié)果 11.生成性能測試報告 12.【案例】性能測試報告 13.【案例】自動化探壓測試實踐 |
近期公開課推薦
