1、AI 赋能测试
1.1什么是 AI 赋能测试
AI 赋能测试是指把大模型、机器学习、智能分析等 AI 能力引入软件测试全流程,让测试活动从"人工驱动"转向"人机协同驱动"。它并不是一个全新的测试类型,而是对传统测试流程的智能化增强,主要体现在三个层面:
- AI 作为被测对象:当系统本身包含 AI 能力(如推荐、识别、生成)时,需要针对模型效果、数据质量、鲁棒性设计专门的测试。
- AI 作为测试工具:用 AI 辅助生成用例、生成测试数据、定位缺陷、分析日志、编写自动化脚本,提升测试效率。
- AI 作为测试决策助手:借助 AI 对需求、代码变更、缺陷分布进行分析,辅助判断测试重点、风险评估与覆盖率缺口。
简单来说,AI 测试的核心价值是:把重复、耗时、依赖经验的环节交给 AI,把判断、决策、业务理解留给测试人员。
1.2 AI 在测试领域的应用
AI 能够凭借其强大的数据处理能力、智能的学习算法以及高效的模式识别功能,在软件测试领域大显身手。
- 编写测试用例:编写测试用例是测试人员必不可少的测试工作。过去传统的测试工作通过手工逐条设计用例,这依赖工程师经验,耗时长且易遗漏边界场景。利用 AI 自动生成高覆盖用例,可以极大地压缩用例设计时间,提高场景覆盖率。
- 自动生成文档:测试工作中需要输出一些文档,其中测试计划、缺陷报告、测试报告等尤为常见。而 AI 的介入,为这一流程带来了前所未有的变革与助力,使其更加高效、智能且精准。
- 助力自动化测试:AI 可以根据需求搭建自动化测试框架,编写自动化测试用例,同时还能解决自动化脚本中出现的问题,无需人工频繁地重新编写和修改脚本,节省了大量的人力和时间成本,提高了自动化测试的效率和频率。
AI 在软件测试领域的应用远不止此。随着技术的不断演进,其展现出的应用潜力正持续拓展。从测试用例生成、文档编写、自动化测试助力,到更深层次的智能分析,AI 正逐渐成为软件测试全生命周期中不可或缺的伙伴。
1.3 AI 在测试领域的发展趋势
AI 驱动的测试用例生成与优化
- 智能化生成:利用 AI 技术自动生成测试用例,覆盖更多边界场景和异常场景,减少手工编写的工作量和时间成本。
- 动态调整:AI 根据系统更新和需求变化实时调整测试用例优先级和范围,确保测试的针对性和全面性。
AI 助力自动化测试
- 自动化框架搭建:AI 自动构建和优化自动化测试框架,提升测试脚本的执行效率和稳定性。
- 故障诊断与修复:AI 能够快速定位测试执行中的故障点,并提供修复建议,减少人工调试时间。
AI 在性能测试中的应用
- 性能预测与优化:通过 AI 分析历史性能数据,预测系统性能瓶颈,提前优化以避免上线后的问题。
- 动态负载模拟:AI 可以根据用户行为模式动态调整负载测试策略,更加真实地模拟生产环境。
AI 在质量保障中的深度参与
- 缺陷预测与根因分析:AI 通过分析代码提交和历史缺陷数据,预测潜在缺陷并帮助定位根因。
- 跨平台与多设备测试:AI 驱动的测试工具能够自动适配不同设备和操作系统,确保用户体验的一致性。
当前 AI 已深入测试生成、缺陷管理、持续测试等环节,核心价值是释放重复劳动,聚焦复杂问题。
2、AI 驱动的测试流程
2.1 各阶段的 AI 提效方式
AI 能够广泛地融入测试流程的各个环节。我们先回顾一下标准的测试流程:需求分析 → 测试计划 → 测试设计与开发 → 测试执行 → 测试评估 → 上线 → 运行维护。
| 阶段 | AI 提效方式 |
|---|---|
| 需求分析 | 用大模型对需求文档做语义解析,自动提取业务规则、输入输出约束和异常分支,输出需求疑点清单与可测性建议;对比需求与设计文档,识别描述不一致、逻辑冲突和遗漏场景,帮助测试人员提前发现业务逻辑错误。 |
| 制定测试计划 | 基于历史项目数据与需求规模,让 AI 估算测试工作量、测试周期与人力投入,生成测试排期草案;结合风险等级自动标注高优先级模块,辅助规划测试资源与进度。 |
| 编写测试用例 | 将需求文档、接口文档、原型图输入大模型,自动生成功能、接口、边界、异常等维度的用例初稿,并补充等价类、边界值、场景组合;AI 还能检查用例的覆盖缺口与重复冗余,提升用例可执行性与可追溯性。 |
| 测试设计 | AI 根据接口定义自动生成 Postman 集合、JMeter 脚本、Selenium 或 Playwright 自动化代码;根据页面结构推荐定位方式,辅助选择黑盒/白盒方法与手动/自动化形式,降低脚本编写门槛。 |
| 测试执行 | 利用 AI 生成多样化测试数据(含边界值、异常值、脏数据),驱动自动化用例批量执行;执行失败时由 AI 分析日志与堆栈,初步判断是环境问题、脚本问题还是真实缺陷,减少人工排查时间。 |
| 测试评估 | AI 对缺陷报告做自动聚类与去重,识别重复 Bug 并归并严重等级;结合代码变更与用例执行记录分析覆盖率,提示未覆盖的代码分支与业务场景,帮助发现测试盲区。 |
| 上线运行 | AI 辅助生成上线检查清单与回滚预案,比对预发与生产环境配置差异;上线后自动巡检核心链路,快速发现部署遗漏与配置错误。 |
| 维护与跟踪 | 借助 AI 对线上日志、监控指标和用户反馈做异常检测与聚类,自动归因并生成问题摘要,推动问题快速定位与修复;对高频问题给出回归测试建议。 |
| 用户培训与试运行 | AI 基于业务文档与操作流程自动生成培训材料、操作手册和 FAQ;试运行阶段用 AI 汇总用户反馈,识别冗余流程与冲突点,形成结构化改进清单。 |
| 测试报告输出 | AI 汇总测试范围、执行结果、缺陷统计与风险信息,自动生成结构化测试报告初稿,并给出质量结论与发布建议,测试人员只需复核与补充判断。 |
| 测试周期估算 | AI 结合项目规模、复杂度、历史缺陷密度与团队效率数据,给出测试周期区间预测,并在需求变更时动态调整排期,减少人工估算偏差。 |
2.2 AI 提效在测试覆盖维度上的体现
| 覆盖类型 | AI 提效方式 |
|---|---|
| 功能测试 | 根据需求自动生成功能用例与场景组合,覆盖正常流程与异常分支,减少人工遗漏。 |
| 接口测试 | 解析接口文档自动生成请求参数组合与断言,批量执行并智能分析响应差异。 |
| 性能测试 | AI 辅助设计压测场景与负载模型,分析性能曲线并定位瓶颈模块。 |
| 安全测试 | 辅助生成越权、注入等攻击用例,对扫描结果做误报过滤与风险分级。 |
| 兼容性测试 | 结合设备与浏览器分布数据,智能推荐高价值兼容性测试组合,降低测试成本。 |
| 回归测试 | 基于代码变更与用例关联关系,智能筛选回归用例集,实现精准回归。 |
| 用户体验测试 | 利用 AI 分析用户行为数据与反馈文本,识别操作卡点与体验问题。 |
注意事项
- 人机协同而非完全替代:AI 生成的用例、脚本和报告必须由测试人员复核,业务判断与质量结论仍由人负责。
- 数据安全与合规:输入需求文档、代码和日志前需脱敏,避免敏感信息外泄。
- 建立提示词与知识库:沉淀项目专属的提示词模板、业务术语库和历史缺陷库,让 AI 输出更贴合业务。
2.3 需求分析
传统的需求分析阶段,测试人员需要反复研读需求文档,标注重点,交叉比对不同版本。特别是遇到模糊表述时,要组织语言去追问产品经理,这个沟通成本很高。
此外,在需求评审会议上,测试人员也需要站在不同角度上考虑需求问题,这对测试人员的需求理解能力、业务经验要求非常高,往往经验少的测试人员在需求分析阶段很难提出关键性建议。那么,AI 如何帮助测试人员在这一阶段提效呢?
2.3.1 识别需求中存在的问题

针对这一份简易版的需求文档,对于一名新手小白来说,能够理解需求已经很不容易了,但若要求其独立识别潜在缺陷(如逻辑矛盾或规则缺失),则存在显著挑战。此时借助 AI 的需求分析能力,可系统性地发现隐藏问题。
不满足要求的提示词:
找需求中的问题
通过该提示词,我们可以看到 AI 给出的结果其实并不符合我们的要求。我们希望 AI 能指出需求中存在的需求问题,而不是需求文档自身的格式、语法表达问题。

该提示词存在明显的三处问题:范围模糊 、目标不明确 、输出形式未定义。范围模糊会导致结果可能遗漏关键领域;目标不明确会导致 AI 的回答并不是我们想要的;输出形式未定义可能导致 AI 给出的结果信息杂乱、不成体系,我们无法迅速捕捉到关键信息。
满足要求的提示词:
请详细阅读需求,找出其中存在的模糊描述、不完整信息、逻辑冲突、遗漏或任何可能需要澄清的地方,并列出问题清单。(列举每一个问题时请标明原文出处或上下文,方便我与产品同事讨论。)

2.3.2 需求快速理解与功能概要生成
在实际工作情境中,需求文档的复杂程度远远超出前面的示例。通常情况下,产品经理所编写的需求文档的内容量会远超想象,其篇幅的长短与功能的数量以及功能本身的复杂度存在紧密关联。当功能繁多且复杂度高时,需求文档自然会内容丰富、篇幅冗长;反之,若功能简洁、复杂度低,文档则相对简短。
然而,对于内容繁杂、篇幅较长的需求文档,测试人员往往会陷入困境。面对海量的文档内容,他们需要投入大量的时间进行阅读与理解,这无疑是一项既耗时又具有挑战性的工作。
为了降低对需求文档的理解成本,利用 AI 可以先输入整份需求文档,输出模块化的功能概要和目标摘要。对需求文档有一定了解后再仔细阅读需求文档。
请作为资深软件测试专家,帮助我分析下面的需求文档,从整体和各个模块的角度,提炼出需求的核心功能、业务目标以及各模块的主要实现内容,并以简洁明了的方式输出概要。
通过 AI 提取的产品概述和核心模块,帮助测试人员快速了解产品整体框架和主要功能。在此基础上,测试人员再去阅读需求文档,可大幅节省时间。
3.3 测试计划
测试计划,即在本次的项目中,测试该按照什么样的方式来进行。类似于组织一次大型聚会:你需要确定地点、时间、邀请谁、准备什么食物、安排哪些活动,以及应对突发情况的预案。测试计划在软件测试里,就像这次聚会的"筹备指南"。用简单的话说,就是把测试工作要做的事都提前计划好,确保测试过程顺利、不遗漏关键环节。
既然 AI 可以帮我们生成详细的旅游攻略,那么 AI 在软件测试中,也可以帮助测试人员生成详细的测试计划,不要忘了告诉 AI 我们具体要求。
我是一名软件测试工程师,现在要对图片上项目需求文档编写测试计划,在 2 天内完成对全部功能模块的测试,目前只有一名测试人员,输出:《项目测试计划书》
**注意:**AI 生成的测试计划不一定符合要求,可作为参考。工作中要根据部门测试人员、业务现状进行合理调整。
2.4 测试用例
测试人员在进行项目测试之前需要先根据需求编写测试用例。在工作中,我们通常使用万能公式来编写测试用例:"功能测试 + 性能测试 + 界面测试 + 兼容性测试 + 易用性测试 + 安全测试"。而在具体的用例设计中,我们有时候也需要用到具体的编写测试用例的方法,比如等价类、边界值、正交法、判定表法、场景法、错误猜测法等。编写测试用例在测试工作中占据了大量的时间。
测试用例设计的好坏将直接影响项目的测试质量,而测试用例的质量往往跟测试人员的个人积累和经验有关。如何使用 AI 帮助测试人员设计比较优秀的测试用例呢?
3.4.1 AI 生成等价类
"用户的手机号长度为 11 位",要求使用等价类方法设计测试用例
3.4.2 AI 生成边界值
"用户的手机号长度为 11 位",请使用边界值生成测试用例
3.4.3 AI 生成正交表
输入项有"姓名、电子邮箱、密码、确认密码、验证码",要么填写要么不填写,针对这 5 个输入项设计测试用例,要求使用正交法
3.4.4 基于具体功能点设计测试用例
"用户的手机号为 11 位",请针对该功能点设计测试用例,
覆盖[边界值/异常流/兼容性]场景
使用[等价类划分/正交法]设计方法
汇总用例并以表格形式输出
3.4.5 基于需求文档生成测试用例
请针对图片中的需求文档信息,提供测试功能点,并设计测试用例
1. 覆盖维度:功能、易用、兼容、安全、性能
2. 测试点要覆盖:100%,需求、边界范围、格式、类型、为空等情况
测试点根据功能、兼容、安全等分类,每个分类要有:业务、正向、逆向区分
以表格形式输出
3.5 测试报告
测试报告在业界并没有一个统一的模板,入职企业后根据业务组的要求编写测试报告即可。测试报告不仅要体现本次的测试数据、测试质量、测试结果,还需要有规范的格式,所以测试报告的编写也是一个耗时的工作。接下来我们看看如何利用 AI 来协助生成测试报告。
要生成测试报告,需要提供基础的数据,如用例的执行情况、bug 的情况。举个栗子:本次测试项目编写了 85 个测试用例,其中通过的测试用例有 72 个,执行失败的用例有 13 个。缺陷的数量有 20 个,其中已经关闭的有 19 个,推迟修复的 bug 有 1 个,需要按照优先级提供缺陷列表。
有了这些数据后,我们就可以整理提示词,使用 AI 来生成测试报告。
@测试报告模板
请基于以下测试数据和测试报告模板生成一份测试报告:
数据源:
[
测试用例总数:85
通过用例:72
失败用例:13
缺陷个数:20 个
关闭缺陷:19 个
推迟修缺陷:1 个
缺陷列表:
输入正确的账号和密码,点击登录,登录失败,严重,已修复
用户登录失败,验证码未刷新,一般,已修复
点击分享,分享链接错误,一般,已修复
下拉列表未提供输入框,对用户使用不友好,次要,推迟修复
]
将上述提示词与测试报告模板一起提交给 AI,即可得到一份结构完整、数据清晰的测试报告初稿。测试人员只需在此基础上核对数据准确性、补充业务背景说明,即可快速完成报告输出。
3.6 提示词教程
**提示:**使用正确的提示词,工作效率能直接翻倍!正确使用提示词,无非就是在与 AI 对话过程中,详细描述清楚我们具体的需求。然而,并不是所有人都能说清楚自己的要求,以下提供了常见的 AI 提示词框架,仅供参考。
3.6.1 ICIO 框架
- I --- Instruction(指令):明确告知 AI 需要执行的任务或回答的问题。
- C --- Context(背景):提供与任务相关的背景信息或上下文,以帮助 AI 理解情境。
- I --- Input(输入):列出 AI 执行任务所需的具体数据或信息。
- O --- Output(输出):指定期望的结果格式或输出方式。
示例 1:
请撰写一篇约 800 字的文章,讨论人工智能在教育领域的应用。
背景信息:人工智能正在被广泛应用于个性化学习、自动评分和教育数据分析等方面。
输入:相关的研究数据和案例。
输出:一篇结构清晰、语言流畅的文章,适合教育行业的专业人士阅读。
示例 2:在软件测试中使用 ICIO 框架
请为电商系统支付模块生成一份完整的测试用例表,包括功能测试、边界测试和异常场景测试。
背景信息:系统支持多种支付方式(支付宝、微信支付、信用卡),支付金额必须大于 0 且小于等于 100,000 元。支付失败超过 3 次,用户需要重新验证身份。
输入:包括测试用户信息(用户名、账号状态)、订单信息(金额、订单状态)、支付方式(支付宝、微信支付、信用卡)、交易次数等。
输出:以表格形式展示,每条用例包含:测试编号、测试步骤、预期结果、优先级。生成至少 15 条测试用例,覆盖所有常见场景。
3.6.2 CRISPE 框架
CRISPE 是一个首字母缩略词,代表六个创建提示词的关键组成部分:
- C --- 能力与角色(Capacity & Role):定义 AI 应扮演的角色或身份。
- R --- 请求(Request):清楚地说明希望 AI 执行的任务或回答的问题。
- I --- 信息(Information):提供相关背景或上下文信息以辅助生成回答。
- S --- 风格(Style):指定输出内容的语气或风格。
- P --- 参数(Parameters):为生成内容设置限制或指导。
- E --- 示例(Examples,可选):提供示例输出,展示期望的格式和质量。
通过包含这些元素,CRISPE 框架能够确保提示词清晰、结构化且策略明确,从而获得更精确、更可操作的 AI 输出结果。
示例 1:
角色:你是一位资深营销策略师。
请求:请撰写一篇 500 字的可持续时尚趋势博客文章。
信息:目标受众为关注环保的千禧一代。
风格:使用对话式且引人入胜的语气。
参数:并至少包含三条行业统计数据。
示例 2:该框架在软件测试中的应用示例
角色:你是一名资深软件测试工程师,擅长编写功能测试、边界测试和异常测试用例。
请求:请为电商系统的登录模块生成一份测试用例表。
信息:用户名和密码为必填项;支持邮箱或手机号登录;密码长度 6-16 位;错误登录超过 5 次账号锁定 1 小时。
风格:请以表格形式输出,每条用例包含:测试编号、测试步骤、预期结果、优先级。
参数:生成不少于 10 条测试用例,涵盖功能测试、边界值测试和异常场景。
示例:例如:TC001,输入正确用户名和密码,点击登录,成功登录系统,高优先级。
随着 AI 大模型的发展,角色或身份已经不是非常关键的提示信息了。
框架存在的意义是提出了提示词的关键点,引导我们完整说出自己的需求。框架不是固定的模型,框架中的关键点信息可以混用,只要能完整说出自己的需求即可。掌握框架的使用,无需死记硬背。
四、总结
AI 在软件测试中的价值,不在于替代测试人员,而在于把重复、机械、耗时的环节自动化,让测试人员把精力集中在业务理解、风险判断和测试策略设计上。从需求分析、测试计划、测试用例到测试报告,AI 都能作为"智能实习生"参与其中,但最终的质量把关仍然依赖测试人员的专业判断。
用好 AI 的关键在于提示词:明确任务、补充背景、给出输入、约定输出格式,再结合 ICIO 或 CRISPE 等框架组织语言,就能显著提升 AI 输出的可用性。建议在实际工作中从一个小环节开始尝试,逐步把 AI 融入完整的测试流程。