从一个过气考渣的角度看LLM智能化测试用例生成

最新推荐文章于 2025-12-01 12:48:39 发布
原创 最新推荐文章于 2025-12-01 12:48:39 发布 · 732 阅读 · 22 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#测试用例 #功能测试 #软件测试 #面试 #深度学习 #职场经验 #程序员

📝 面试求职： 「面试试题小程序」 ，内容涵盖 测试基础、Linux操作系统、MySQL数据库、Web功能测试、接口测试、APPium移动端测试、Python知识、Selenium自动化测试相关、性能测试、性能测试、计算机网络知识、Jmeter、HR面试，命中率杠杠的。（大家刷起来…）

📝 职场经验干货：

软件测试工程师简历上如何编写个人信息（一周8个面试）

软件测试工程师简历上如何编写专业技能（一周8个面试）

软件测试工程师简历上如何编写项目经验（一周8个面试）

软件测试工程师简历上如何编写个人荣誉（一周8个面试）

软件测试行情分享（这些都不了解就别贸然冲了.）

软件测试面试重点，搞清楚这些轻松拿到年薪30W+

软件测试面试刷题小程序免费使用（永久使用）

之前写过一篇《为什么测试智能化推荐从"用例续写"开始》，建议读者在考虑LLM+测试的场景时，可以考虑从测试点-->测试用例-->自动化测试用例这条线开始，因为从 业务需求-->测试点 这个环节相对而言还是比较难的。

当然也有同学会说，这有什么难的，需求文档往XXX大模型一丢，写一句“生成测试用例”的咒语，不就成了吗。有这种想法的同学，可以看一下笔者另外一篇文章《

最低0.47元/天 解锁文章
万字详解：AI 推理大模型 LLM 在测试用例智能生成、自动化脚本构建和缺陷预测等方向的应用与最佳实践
AI天才研究院
04-26 631
随着大语言模型(LLM)技术的飞速发展，AI在软件测试领域的应用正在经历一场革命性变革。本文深入探讨了LLM在测试用例智能生成、自动化脚本构建和缺陷预测等方向的具体应用场景、技术实现和最佳实践。通过分析实际案例和研究数据，揭示了LLM如何显著提升测试效率、扩大测试覆盖率并降低人工成本。同时，文章也客观分析了当前技术面临的挑战，并对未来发展趋势进行了展望。无论是测试工程师、开发人员还是技术管理者，都能从本文获取实用的LLM测试应用知识和实践指南。
基于通用LLM的一次测试用例自动生成的实验
Criss@陈磊
09-25 1840
如上就是一个小实验，尝试使用LLM帮助测试工程师，实验中可以看出prompting base构建的系统就足以满足测试工程师工作的助手的要求了，只要设计好prompt，并且给prompt足够的信息，那么就可以得出有效的测试用例，但是这距离工程化还有一段很长的路要走。
AI和软件测试结合-使用LLM将自然语言生成TestCase
梦马韶华
10-20 4236
结合人工智能，将自然语言自动转化为通用的功能用例、接口用例、代码单元测试用例等一系列用例，碰上这2年LLM模型大爆发，遂有自己炼一个用例生成的专用模型的想法
[论文阅读] 人工智能 + 软件工程 | LLM在单元测试中的应用：系统性综述与未来展望
张较瘦
06-22 1252
本文是关于大语言模型（LLMs）在单元测试中应用的**首次系统性文献综述**，分析了截至2025年3月的105篇相关论文。研究从单元测试和LLMs双视角，分类探讨了**测试生成（占60%）、oracle生成（占14%）** 等任务，以及模型使用、适应策略和混合方法。文中指出当前挑战包括复杂单元测试、真实bug检测难和专用LLM缺乏，并展望了端到端测试框架、多模态整合等未来方向，其成果已开源至GitHub。
LLM赋能测试活动实现端到端自动化的四个环节八项关键任务
伤心的辣条
12-14 1015
测试活动主要围绕着测试设计、用例编写、执行、结果分析和补充验证等环节。过往的自动化测试往往只局限于用例执行的自动化，依然需要人工编写自动化用例，更遑论用例执行结果的分析和用例、环境的维护等工作。结合着AI4SE，畅想一下实现整个测试活动端到端的自动化的可行性，形成了如下4个阶段8项关键任务，如下图所示。
港中文：为不同LLM生成定制化的测试用例
大模型任我行的博客
01-19 1555
现有基于大语言模型（LLM）的测试用例生成方法中，手动设计的提示（prompt）效果不佳且难以适应不同LLM。论文提出了一种名为MAPS的自动化提示优化方法，通过结合多样性引导的提示生成、失败驱动的规则归纳和领域上下文知识提取，显著提升了测试用例生成的提示效果，并为不同LLM生成定制化的提示。
大模型应用之基于Langchain的测试用例生成
2401_84495725的博客
06-12 2552
方案优点缺点适用场景方案1：将全部产品需求和研发设计文档给到大模型，自动生成用例用例内容相对准确不支持特大文档，容易超出token限制普通规模的需求及设计方案2：将全部产品需求和研发设计文档进行摘要后，将摘要信息给到大模型，自动生成用例进行摘要后无需担心token问题用例内容不准确，大部分都只能是概况性的点特大规模的需求及设计方案3：将全部产品需求和研发设计文档存入向量数据库，通过搜索相似内容，自动生成某一部分的测试用例用例内容更聚焦 无需担心token问题不是全面的用例。
一文搞懂大模型！（非常详细）从入门到精通，基础知识、 LLM 应用、 RAG 、 Agent 与未来发展
weixin_45607947的博客
07-19 2066
三金哥：这么一说，把LLM叫做自然语言处理工具可能没有那么准确，LLM 更多的是理解和生成文本。不过，从你的回答上，我在思考一个很重要的问题：对于 LLM 来说，生成具有语义和语法正确性的文本是不是还不太够，生成的文本和问题如何对应上的？比如有下面的问答：问题：2022年 NBA 总冠军是谁？回答：“我认为这个意大利面,就应该拌42号混凝土,因为这个螺丝钉的长度很容易影响到挖掘机的扭矩”单纯从语义和语法正确性貌似没有很大的问题，但是确并没有回答我的问题。
DeepSeek实现Web自动化测试(一)
kft1314的博客
03-29 1843
Browser-use 是一个开源的网页自动化库，其核心目标是通过标准化接口让LLMs（如GPT-4、Claude、DeepSeek等）与网页交互，从而执行复杂的浏览器任务。它结合了浏览器自动化工具（如Playwright）和LLMs的推理能力，允许用户通过自然语言描述的指令实现对浏览器的自动化操作。 Browser-use 的典型应用场景包括数据采集、自动化测试、在线订票、企业信息检索等，尤其适合需要高频操作网页的任务。
技术动态 | 基于SAP数据的生成式人工智能：大语言模型和知识图谱
lhx17673139267的博客
08-08 1421
我们已经在 SAP 中存储数据数十年了，数据量太大，因此我们使用数据仓库和类似技术。现在，借助 Transformer Models，我们有能力理解极其庞大的数据集。想象一下，我们向通用大语言模型展示 BKPF 和 BSEG 之间的关系，并回答有关它的查询。我相信基础模型有能力重塑所有行业，但现有的大型语言模型在对复杂行业用例的适用性方面存在不足。从嵌入和微调通用基础模型，我慢慢地开始将垂直和特定领域的数据合并到模型中。
LLM+RAG：AI生成测试用例智能体平台「详细介绍」
blues_C的博客
04-02 4129
AI生成测试用例智能体平台是一款基于人工智能技术的测试用例自动生成工具，利用RAG（检索增强生成）技术，能够结合项目相关知识文档和历史用例，智能生成高质量的测试用例。本平台适用于测试团队快速创建测试用例，提高测试效率和质量。
LLM与动态符号执行生成测试用例的比较
Dingdangr的博客
12-03 1015
未来，随着人工智能技术的不断发展，LLM和动态符号执行技术将在软件测试领域发挥更大的作用。此外，还可以探索将LLM和动态符号执行技术相结合的新方法，以进一步提高测试用例的生成效率和准确性。LLM利用深度学习技术，通过大规模数据集的训练，能够生成高质量的代码片段和测试用例。动态符号执行是一种动态分析技术，它通过将程序输入值用符号值代替，系统探索程序的所有可执行路径，并自动化地生成测试用例。通过不断的研究和实践，我们可以更好地利用这些技术来提高软件测试的效率和准确性，为软件开发过程中的质量保障提供有力支持。
具身智体接口：具身决策的 LLM 基准测试
yorkhunter的博客
11-24 919
24年11月来自斯坦福、西北大学、亚马逊公司和MIT的论文“Embodied Agent Interface: Benchmarking LLMs for Embodied Decision Making”。
LLMs-Planning 项目使用文档
gitblog_01187的博客
08-16 275
LLMs-Planning 项目使用文档 1. 项目的目录结构及介绍 LLMs-Planning/ ├── README.md ├── requirements.txt ├── setup.py ├── llms_planning/ │ ├── __init__.py │ ├── main.py │ ├── config.py │ ├── utils.py │ └── mode...
Randoop、EvoSuite和LLM：单元测试用例自动生成的主流实用技术
海旭老师讲测试设计
10-08 3515
关于单元测试用例自动生成技术，我们简单聊聊Randoop、EvoSuite和LLM
AI 驱动的代码审查与测试用例生成：iFlow CLI在提测阶段的应用实践
iFlow_AI的博客
12-01 564
提效结果。
【功能测试】2_APP项目 _APP开发模型以及发布策略
brawly的博客
11-29 466
本文对比了互联网应用（如京东）与传统行业应用（如个税APP）的更新速度差异，指出其根源在于采用不同的开发模型：传统行业多使用瀑布模型，而互联网行业倾向敏捷开发（Scrum）。在APP发布策略方面，详细介绍了从开发环境到生产环境的完整发布流程，重点说明灰度发布机制。同时阐述了APP的两种发布方式：内部发布（通过蒲公英等平台）和线上发布（安卓/IOS应用商店），包括软件包类型、操作步骤及注意事项。全文系统梳理了移动应用的开发模型选择与发布全流程管理要点。
【功能测试】4_APP项目 _APP性能测试
最新发布
brawly的博客
12-01 1011
SoloPi是一款非侵入式Android自动化测试工具，支持性能测试和录制回放功能。它能够监控APP的CPU、内存、流量、电量等关键性能指标，并提供一机多控的兼容性测试方案。性能测试重点关注内存泄漏、CPU占用过高、流量消耗异常等问题，同时评估启动速度和界面流畅度（FPS）。测试案例展示了如何使用SoloPi对电商APP进行性能测试，包括内存监控、CPU负载检测、流量统计等场景。工具需要获取悬浮窗、ADB和存储权限，适用于Android设备独立安装使用。通过性能数据对比分析，可优化APP的资源占用和响应速度
LLM自动生成测试用例
07-03
### LLM 自动生成测试用例的方法 大语言模型（LLM）在自动生成测试用例方面具有显著的优势，主要通过以下方法实现： 1. **基于自然语言描述生成测试用例**：LLM能够理解软件的功能描述、用户需求以及历史缺陷等信息，并根据这些输入生成符合要求的测试用例。这种生成方式通常依赖于训练数据的质量和多样性，以确保生成的测试用例具备较高的覆盖率和有效性[^1]。 2. **结合检索增强生成（RAG）技术**：为了进一步提升生成测试用例的质量，一些平台引入了RAG技术。这种方法不仅利用LLM的强大生成能力，还通过检索相关的历史测试用例或项目文档来增强生成的内容，从而生成更贴近实际需求的测试用例[^2]。 3. **自动化流水线集成**：现代AI测试用例生成平台通常会将LLM与持续集成/持续部署（CI/CD）流程相结合。例如，在需求变更时自动触发测试用例生成流程，并进行质量检查；随后进入执行阶段，支持并行执行和结果分析，形成完整的测试闭环[^3]。 ### LLM 自动生成测试用例的工具 1. **自定义深度学习框架模型**：开发者可以使用TensorFlow、PyTorch等深度学习框架构建自己的LLM模型，针对特定项目的测试需求进行训练和优化。这种方式提供了高度的灵活性，但同时也需要较强的技术背景和较长的开发周期[^1]。 2. **AI生成测试用例智能体平台**：这类平台已经集成了基于LLM和RAG的技术，可以直接应用于测试团队的工作流中。它们能够快速创建高质量的测试用例，大幅提高测试效率和质量。此外，这些平台还可能提供额外的功能，如需求变更检测、自动触发测试用例生成等[^2]。 3. **接口自动化测试用例生成工具**：对于API级别的测试，存在专门的工具可以从API文档中提取信息，并利用LLM生成对应的自动化测试脚本。尽管这种方法面临API文档频繁变化带来的挑战，但它仍然是加速接口测试的有效手段之一[^4]。 ### 示例代码 下面是一个简单的示例，展示如何使用Python中的transformers库调用预训练的LLM来生成测试用例。假设我们有一个关于登录功能的需求描述，我们可以将其作为输入传递给模型，然后获取生成的测试用例。 ```python from transformers import pipeline # 初始化一个文本生成管道，使用预训练的LLM generator = pipeline('text-generation', model='distilgpt2') # 定义软件功能描述 prompt = """ 功能描述: 用户可以通过输入用户名和密码登录系统。 要求: - 输入正确的用户名和密码后，应跳转至主页。 - 输入错误的密码，应显示错误提示。 - 输入不存在的用户名，也应显示相应的错误信息。 """ # 生成测试用例 test_cases = generator(prompt, max_length=150, num_return_sequences=3) # 输出生成的测试用例 for i, case in enumerate(test_cases): print(f"Test Case {i+1}:\n{case['generated_text']}\n") ``` 此代码片段演示了如何使用Hugging Face提供的transformers库中的`pipeline`功能来生成测试用例。请注意，这只是一个基础示例，实际应用中可能需要对输入格式、输出解析等方面进行更多的定制化处理。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值