软件测试/人工智能|如何使用ChatGPT写出满意的测试方案

简介: 软件测试/人工智能|如何使用ChatGPT写出满意的测试方案

801779661dc74e4521486fc16b8b593.png

简介

上文我们介绍了如何使用ChatGPT写一份漂亮的测试计划,那么有了测试计划之后,我们的测试方案自然也不能随便敷衍了事,我们要借助ChatGPT来帮我们写一份让大家都满意的测试方案。本文就来给大家介绍一下如何使用ChatGPT来输出一份测试方案。

什么是测试方案

测试方案是指描述需要被测产品的特性、测试的方法、测试环境的规划、测试工具的设计和选择、测试用例的设计方法、测试代码的设计方案。

我们常常需要根据产品的特性、测试策略等几个方向输出对应的测试方案。在写测试方案的过程中,常常会碰到没有头绪的问题。而利用ChatGPT可以很好的帮助我们解决这些问题。

实践示例

我们在使用ChatGPT输出测试方案之前,首先要明确我们的需求,然后根据需求进行拆解,然后再让ChatGPT根据我们的需求进行测试方案的输出。

测试需求

功能说明:文献资源高级搜索功能。

  • 按分类搜索:允许用户先选定分类再进行搜索。如经济、历史、文学等分类。
  • 按作者搜索:允许用户根据文献作者进行搜索。如亚当-斯密、鲁迅等作者名。
  • 按发布时间搜索:允许用户设定文献的发布时间范围进行搜索。
  • 综合搜索:允许用户使用多个条件组合进行搜索,如用户可以结合分类作者时间条件结合搜索。

编写测试方案

提问:现在我们需要针对这个文献资源高级搜索功能输出对应的测试方案。

ChatGPT的回复如下:

针对文献资源高级搜索功能,可以制定以下测试方案,确保其各项功能的正确性和有效性:

1. 按分类搜索功能测试:
测试目标:
验证用户能否根据不同分类进行搜索,并获得准确的结果。
测试步骤:
选择分类进行搜索:

测试用户选择不同分类(例如主题、类型等)并执行搜索。
验证搜索结果是否仅包含所选分类的文献。
多重分类组合测试:

测试用户同时选择多个分类进行搜索。
确认系统能够准确过滤符合所有选定分类的文献。
2. 按作者搜索功能测试:
测试目标:
验证用户能否根据作者名进行准确搜索。
测试步骤:
作者名搜索:

输入已知作者名进行搜索,确认相关文献是否显示在搜索结果中。
部分作者名搜索:

使用作者名的部分内容进行搜索,以验证系统对模糊搜索的支持程度。
3. 按发布时间搜索功能测试:
测试目标:
确保用户能够按照设定的发布时间范围进行搜索。
测试步骤:
指定时间范围搜索:

设定不同的发布时间范围进行搜索,确保搜索结果符合设定条件。
边界条件测试:

测试使用边界值(最早和最晚日期)进行搜索,验证系统是否正确处理边界情况。
4. 综合搜索功能测试:
测试目标:
确保用户能够使用多个条件组合进行搜索,获取精确的综合搜索结果。
测试步骤:
多条件组合搜索:

尝试结合分类、作者、发布时间等多个条件进行搜索,检查结果是否符合所有条件要求。
条件优先级测试:

在组合搜索中更改条件的优先级,确认系统是否正确处理并给出合适的结果。
通用测试考虑:
界面一致性测试:确认高级搜索界面的一致性和易用性。
异常情况测试:验证系统在输入错误、无结果等异常情况下的反馈和处理能力。
性能测试:评估高级搜索功能在不同负载下的响应时间和稳定性。
通过执行以上测试方案,可以全面检验文献资源高级搜索功能的各项特性,并确保其准确性、稳定性和用户友好性。

我们可以发现给出的测试方案覆盖到了各个功能,但是对于我们需要使用的工具以及使用的测试方法并没有进行说明,我们可以继续追加提问,使得输出更加完善。

补充测试工具和测试方法

提问:请针对上面的测试方案补充一下我们会用到的测试工具和测试用例的设计方法。

ChatGPT的回复如下:

针对上述测试方案,这里是一些可能用到的测试工具和测试用例设计方法:

测试工具:
Selenium WebDriver:
用于功能测试,模拟用户在网站上执行搜索和操作。
JMeter:
用于性能测试,模拟多个用户同时进行高级搜索,评估系统的性能。
Postman 或类似工具:
用于 API 测试,确保搜索功能的后端接口正常工作。
测试用例设计方法:
在设计测试用例时,可以采用以下方法:

1. 等价类划分法:
按分类搜索:设计测试用例覆盖不同类别的文献,确保每个类别的搜索结果正确。
按作者搜索:涵盖存在的作者和不存在的作者,检查搜索结果的正确性。
按发布时间搜索:包括符合和不符合时间范围的文献,验证搜索结果是否符合预期。
2. 边界值分析法:
边界测试:设计针对时间范围的测试用例,覆盖最早和最晚时间,以确保系统在边界条件下的正确性。
3. 决策表测试法:
综合搜索:创建决策表,覆盖不同条件组合下的测试用例,确保各种条件组合下的搜索结果准确性。
4. 用户故事和场景测试法:
用户故事测试:以用户视角设计测试用例,覆盖用户在实际使用过程中的各种搜索场景。
示例测试用例:
按分类搜索功能:
测试用例 1 - 搜索特定分类:
输入已知分类,如"科学论文",验证搜索结果是否仅包含该分类的文献。
按作者搜索功能:
测试用例 2 - 搜索已知作者:
输入已知作者名字,如"John Doe",验证相关文献是否显示在搜索结果中。
按发布时间搜索功能:
测试用例 3 - 搜索指定时间范围:
设定时间范围为 2022 年至 2023 年进行搜索,确认搜索结果是否在这个时间范围内。
综合搜索功能:
测试用例 4 - 多条件组合搜索:
结合分类、作者、时间范围等多个条件进行搜索,验证搜索结果是否符合所有条件。
以上测试用例覆盖了不同的功能和条件,可用作起点来设计更多全面的测试用例,确保高级搜索功能的各项特性被充分测试。

我们可以看到,经过我们的追问,ChatGPT输出了我们需要的内容,后续我们可以继续追问,不断完善我们的测试方案,比如我们所需要的硬件设备和软件等,这里我们不做赘述。

总结

本文主要介绍了使用ChatGPT输出测试方案的方法,输出测试方案不可能一步到位,我们需要一步步追问,不断明确我们的需求,这样我们才能逐步完善我们的测试方案,希望本文能够帮到大家。

image.png

相关文章
|
20天前
|
机器学习/深度学习 人工智能 分布式计算
人工智能,应该如何测试?(六)推荐系统拆解
该文介绍了推荐系统的基本概念和实现思路。推荐系统通过预处理筛选候选集合,然后利用二分类模型预测用户对内容的喜好概率,再按概率排序选择Top N内容推荐给用户。文中提供了一个使用Spark ML库的简单模型训练DEMO,涉及数据预处理、特征工程和逻辑回归模型。此外,还提及了词向量在处理文本特征中的重要性,它能捕捉词与词之间的关联性。推荐系统的实际应用远比示例复杂,但这个例子有助于理解其核心流程。
21 0
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
ChatGPT的应用与发展趋势:解析人工智能的新风口
ChatGPT的应用与发展趋势:解析人工智能的新风口
36 0
|
2月前
|
机器学习/深度学习 人工智能 安全
中国信通院联合金橙果科技等十七家单位发起人工智能大模型安全基准测试
2024年2月20日下午,AIIA“SafetyAI Bench”(人工智能大模型安全基准测试)线上研讨会成功举办。来自中国信息通信研究院(以下简称“中国信通院”)、厦门大学、北京大学、北京交通大学、360、百度、蚂蚁集团、VIVO、西门​子、小鹏汽车、马上消费、浪潮科技、海信视像、交通银行、商汤科技、邮储银行、普华永道、科大讯飞、金橙果科技、万商天勤律所、中兴通讯、博特智能、开源网安、云天励飞等单位40余位科研机构专家及企业代表参加了本次会议。
|
2月前
|
机器学习/深度学习 人工智能 自然语言处理
2023年度AI盘点 AIGC|AGI|ChatGPT|人工智能大模型
2023年度AI盘点 AIGC|AGI|ChatGPT|人工智能大模型
|
20天前
|
人工智能 搜索推荐 算法
人工智能,应该如何测试?(七)大模型客服系统测试
这篇文稿讨论了企业级对话机器人的知识引擎构建,强调了仅靠大模型如 GPT 是不够的,需要专业领域的知识库。知识引擎的构建涉及文档上传、解析、拆分和特征向量等步骤。文档解析是难点,因文档格式多样,需将内容自动提取。文档拆分按语义切片,以便针对性地回答用户问题。词向量用于表示词的关联性,帮助模型理解词义关系。知识引擎构建完成后,通过语义检索模型或问答模型检索答案。测试环节涵盖文档解析的准确性、问答模型的正确率及意图识别模型的性能。整个过程包含大量模型组合和手动工作,远非简单的自动化任务。
35 0
|
20天前
|
人工智能 自然语言处理 算法
人工智能,应该如何测试?(五)ASR 效果测试介绍
ASR是自动语音识别技术,将语音转化为文本,涉及多学科知识。数据收集是关键,包括特定人/非特定人、词汇量大小、发音方式、方言和情感等多种类别,高质量数据成本高。ASR流程包括数据收集、标注、输入算法得到文本输出并评估。常用评估指标有字错率(WER)、字正确率及插入/删除/替换率。数据标注需严格遵循规范,工作量大,而Levenshtein库可用于自动化效果评测。在AI领域,大部分时间投入在数据处理上。
29 0
|
20天前
|
人工智能 分布式计算 Kubernetes
人工智能,应该如何测试?(三)数据构造与性能测试篇
本文探讨了人工智能场景中的性能测试,区别于传统互联网测试,其复杂性更高。主要关注点包括两类AI产品——业务类和平台类,后者涉及AI全生命周期,测试难度更大。测试重点是模型训练的性能,特别是数据模拟。需要构造大量结构化数据,如不同规模、分布、分片和特征规模的数据,以评估算法效率。此外,还涉及模拟设备规模(如视频流)和节点规模(边缘计算),以测试在大规模负载下的系统性能。文中提到了使用工具如Spark、ffmpeg、流媒体服务器和Kubernetes(K8S)的扩展项目,如Kubemark,来模拟大规模环境。最后,文章介绍了使用Golang进行异步IO操作以构建海量小文件,优化IO性能。
42 0
|
1月前
|
机器学习/深度学习 数据采集 人工智能
探索人工智能在软件测试中的应用与挑战
【2月更文挑战第21天】 随着技术的不断进步,人工智能(AI)已经逐渐渗透到软件测试的各个环节中,从测试用例的生成到缺陷的预测,再到自动化测试的执行。本文将深入探讨AI技术如何革新传统软件测试流程,提升测试效率和质量,并分析在集成AI技术时可能遇到的挑战及应对策略。我们还将通过实例分析,展示AI如何在提高测试覆盖率、减少人工干预以及优化资源分配方面发挥关键作用。
|
2月前
|
人工智能 前端开发 Java
软件测试/人工智能|熟练使用web控件定位技巧,提升测试工作效率!
软件测试/人工智能|熟练使用web控件定位技巧,提升测试工作效率!
197 1
|
2月前
|
机器学习/深度学习 人工智能 算法
人工智能与测试开发:新时代的黄金组合
人工智能与测试开发:新时代的黄金组合
151 0

热门文章

最新文章