从敏捷到生成式：AIGC 重塑软件测试全流程

AIGC 几乎可以介入每一个环节。

四、需求分析阶段：AI 理解需求

需求分析一直是测试设计的基础。

但现实中需求文档往往存在：

• 表述模糊
• 业务规则复杂
• 隐含逻辑较多

生成式 AI 可以帮助进行 需求语义分析。

典型能力包括：

1 提取功能点

例如需求：

用户可以通过手机号注册账户，并通过短信验证码进行验证。

AI 可以提取：

• 注册功能
• 手机号校验
• 验证码验证
• 账户创建

2 识别测试场景

AI 可生成测试场景：

• 正常注册
• 错误验证码
• 手机号格式错误
• 验证码过期

3 识别需求风险

例如：

• 是否限制验证码发送频率
• 是否存在暴力注册风险

这类需求分析任务非常适合大模型。

五、测试设计阶段：AI 生成测试用例

测试设计是测试工作中最耗时的环节之一。

AIGC 可以自动完成以下工作：

1 等价类划分

例如输入：

年龄：0-120

AI 可以自动生成：

2 边界值测试

AI 可以识别：

• 最小值
• 最大值
• 边界附近值

3 组合测试设计

在复杂系统中，参数组合会指数级增长。

传统方法通常使用 PICT 进行组合测试生成。

AI 可以结合业务语义自动生成组合测试场景，例如：

支付系统组合测试：

六、测试实现阶段：AI 生成自动化脚本

自动化脚本开发通常需要较强编程能力。

生成式 AI 在代码生成方面已经取得显著进展，例如 GitHub Copilot 和 Codeium。

在测试领域，可以自动生成：

1 API 测试脚本

示例：

import requests

def test_create_user():
    url = "https://api.test.com/user"
    data = {"name": "test", "age": 18}
    r = requests.post(url, json=data)
    assert r.status_code == 200

2 UI 自动化脚本

示例（Selenium）：

from selenium import webdriver

driver = webdriver.Chrome()
driver.get("https://test.com/login")
driver.find_element("id", "username").send_keys("test")
driver.find_element("id", "password").send_keys("123456")
driver.find_element("id", "login").click()

七、测试执行阶段：AI 生成测试数据

测试数据生成是自动化测试的重要环节。

AI 可以生成：

• 随机测试数据
• 边界测试数据
• 异常测试数据
• 脱敏数据

例如金融系统测试：

生成 1000 条模拟交易数据：金额范围：1-10000 币种：USD / CNY

AI 可以快速生成符合业务规则的数据集。

八、测试分析阶段：AI 分析测试结果

测试执行后通常会产生大量数据：

• 自动化测试日志
• 错误日志
• 缺陷报告

AI 可以自动完成：

1 测试日志聚类

识别相同类型错误。

2 Bug 分类

自动判断：

• UI 问题
• API 问题
• 性能问题

3 生成测试报告

例如自动生成：

• 测试执行统计
• 缺陷趋势分析
• 发布风险评估

九、未来的软件测试形态

随着 AIGC 技术成熟，软件测试将出现几个明显趋势。

1 测试工程师角色升级

从 执行测试 转变为 设计测试策略。

2 自动化测试比例提升

未来很多测试脚本将由 AI 自动生成。

3 测试系统智能化

未来测试平台将具备：

• 自动生成测试
• 自动执行测试
• 自动分析质量

结语

软件测试的核心使命从未改变：

降低软件质量风险。

但实现这一目标的方法正在发生巨大变化。

敏捷测试解决了 开发与测试协作问题。
自动化测试解决了 效率问题。

而 AIGC 正在解决第三个关键问题：

测试智能化。

当 AI 可以理解需求、设计测试、生成脚本、分析结果时，软件测试将从一种'人工密集型工作'转变为一种智能化工程活动。

这不仅会改变测试流程，也会重新定义测试工程师的价值。

未来的软件测试团队，将不再只是'写用例的人'，而是管理软件质量智能系统的人。