AI大模型在测试领域应用案例拆解：智能分析在自动化测试中的探索与应用

导语

接上一期，本次进行自动化测试结果的分析拆解

背景介绍

在软件测试流程中，自动化测试结果的分析工作量往往被忽视，尤其是当一个企业内部有数万自动化用例执行，即使90%的成功率，遗留的失败用例确认分析耗时也依旧很可观。本次就是介绍大模型在自动化测试结果分析方面的具体实践案例。

解决思路

在下图中展示了结果分析的演进思路，人工分析需要逐个判断是环境问题、用例问题、工具问题还是脚本问题，最终修改并出具报告。而最好的方式是借助机器进行分析，人工仅负责审核即可。

同时，这里也给出了智能分析的实现方法。而且这里不是直接全部切换至大模型统一分析，而是进行了三层分类分级，采用了所谓的“大小模型结合”的实现方式，真正实践都是接地气的。

技术实现

在实现上首先是对失败原因进行标准化，这里给出的条目可以参考借鉴。进一步结合分类分级处理策略，按照执行、采集、规则匹配、小模型预测、大模型分析的流程逐步处理。这其中涉及日志清洗、规则匹配引擎、经验库等技术，这里分析提示词也很重要。

实践效果

通过接入智能化测试分析，可以自动识别软件缺陷，并显著提升分析效率，自动化发现的缺陷占比以及智能化分析的采纳率逐步增高。

---