软件测试/人工智能|如何利用ChatGPT帮助我们编写测试用例

简介: 软件测试/人工智能|如何利用ChatGPT帮助我们编写测试用例

image.png

简介

在我们通过思维导图设计了我们的测试用例,下面就需要我们实际去编写测试用例了,一个测试用例通常包含以下要素:

  • 测试模块
  • 测试标题
  • 前置条件
  • 测试步骤
  • 预期结果
  • 实际结果

本文就来给大家介绍一下如何使用ChatGPT来帮助我们编写测试用例。

生成实战

我们如何让ChatGPT帮我们编写测试用例?首先我们要把我们的需求信息明确的给到ChatGPT,规定好用例的格式,并且规定好用例的输出,下面我们就以一个搜索功能为例,让ChatGPT输出测试用例。

提问:我是一名测试测试工程师,我们的文献资源管理系统新上线了一个高级搜索的功能,该功能支持精准匹配和模糊匹配,其中文献名称支持精准匹配和模糊匹配,作者名和发表年份仅支持精准匹配,用户在搜索框中输入信息,点击高级搜索按钮即可进行高级搜索。请根据该需求生成测试用例。要求测试用例包含以下信息:测试模块、测试标题、前置条件、测试步骤、预期结果、实际结果。测试用例输出的格式使用Markdown的表格格式

ChatGPT的回复如下:

| 测试模块 | 测试标题 | 前置条件 | 测试步骤 | 预期结果 | 实际结果 |
|---------|---------|---------|---------|---------|---------|
| 文献名称精确匹配 - 正确文献 | 文献名称搜索 | 用户已登录系统并进入高级搜索页面 | 1. 在文献名称搜索框中输入已知存在的文献名称 "Introduction to Machine Learning". <br> 2. 点击高级搜索按钮。 | 应该精确匹配到名称为 "Introduction to Machine Learning" 的文献资源。 | |
| 文献名称精确匹配 - 不存在的文献 | 文献名称搜索 | 用户已登录系统并进入高级搜索页面 | 1. 在文献名称搜索框中输入不存在的文献名称 "Random Nonexistent Paper Name". <br> 2. 点击高级搜索按钮。 | 应该返回零匹配结果,提示文献资源不存在。 | |
| 文献名称模糊匹配 - 部分关键词 | 文献名称搜索 | 用户已登录系统并进入高级搜索页面 | 1. 在文献名称搜索框中输入部分关键词 "Algorithm". <br> 2. 点击高级搜索按钮。 | 应返回包含关键词 "Algorithm" 的多个文献资源。 | |
| 文献名称模糊匹配 - 拼写错误 | 文献名称搜索 | 用户已登录系统并进入高级搜索页面 | 1. 在文献名称搜索框中输入拼写错误的文献名称 "Introducton to Machine Learnig". <br> 2. 点击高级搜索按钮。 | 应进行模糊匹配或纠正拼写错误,并返回相关的文献资源,或者给出类似建议。 | |
| 作者名精确匹配 - 已知作者 | 作者名搜索 | 用户已登录系统并进入高级搜索页面 | 1. 在作者名搜索框中输入已知的作者名 "John Smith". <br> 2. 点击高级搜索按钮。 | 应该精确匹配到名为 "John Smith" 的作者所发表的文献资源。 | |
| 作者名精确匹配 - 不存在的作者 | 作者名搜索 | 用户已登录系统并进入高级搜索页面 | 1. 在作者名搜索框中输入不存在的作者名 "Random Nonexistent Author". <br> 2. 点击高级搜索按钮。 | 应该返回零匹配结果,提示该作者不存在或未发表文献。 | |
| 发表年份精确匹配 - 已知年份 | 发表年份搜索 | 用户已登录系统并进入高级搜索页面 | 1. 在发表年份搜索框中输入已知的发表年份 "2020". <br> 2. 点击高级搜索按钮。 | 应该返回发表年份为 2020 的所有文献资源。 | |
| 发表年份精确匹配 - 不存在的年份 | 发表年份搜索 | 用户已登录系统并进入高级搜索页面 | 1. 在发表年份搜索框中输入不存在的发表年份 "1800". <br> 2. 点击高级搜索按钮。 | 应该返回零匹配结果,提示该年份没有对应的文献资源。 | |

当然我们也可以直接生成表格,如下:

提问:请直接生成表格

ChatGPT回复如下:

测试模块 测试标题 前置条件 测试步骤 预期结果 实际结果
文献名称精确匹配 - 正确文献 文献名称搜索 用户已登录系统并进入高级搜索页面 1. 在文献名称搜索框中输入已知存在的文献名称 "Introduction to Machine Learning".
2. 点击高级搜索按钮。
应该精确匹配到名称为 "Introduction to Machine Learning" 的文献资源。
文献名称精确匹配 - 不存在的文献 文献名称搜索 用户已登录系统并进入高级搜索页面 1. 在文献名称搜索框中输入不存在的文献名称 "Random Nonexistent Paper Name".
2. 点击高级搜索按钮。
应该返回零匹配结果,提示文献资源不存在。
文献名称模糊匹配 - 部分关键词 文献名称搜索 用户已登录系统并进入高级搜索页面 1. 在文献名称搜索框中输入部分关键词 "Algorithm".
2. 点击高级搜索按钮。
应返回包含关键词 "Algorithm" 的多个文献资源。
文献名称模糊匹配 - 拼写错误 文献名称搜索 用户已登录系统并进入高级搜索页面 1. 在文献名称搜索框中输入拼写错误的文献名称 "Introducton to Machine Learnig".
2. 点击高级搜索按钮。
应进行模糊匹配或纠正拼写错误,并返回相关的文献资源,或者给出类似建议。
作者名精确匹配 - 已知作者 作者名搜索 用户已登录系统并进入高级搜索页面 1. 在作者名搜索框中输入已知的作者名 "John Smith".
2. 点击高级搜索按钮。
应该精确匹配到名为 "John Smith" 的作者所发表的文献资源。
作者名精确匹配 - 不存在的作者 作者名搜索 用户已登录系统并进入高级搜索页面 1. 在作者名搜索框中输入不存在的作者名 "Random Nonexistent Author".
2. 点击高级搜索按钮。
应该返回零匹配结果,提示该作者不存在或未发表文献。
发表年份精确匹配 - 已知年份 发表年份搜索 用户已登录系统并进入高级搜索页面 1. 在发表年份搜索框中输入已知的发表年份 "2020".
2. 点击高级搜索按钮。
应该返回发表年份为 2020 的所有文献资源。
发表年份精确匹配 - 不存在的年份 发表年份搜索 用户已登录系统并进入高级搜索页面 1. 在发表年份搜索框中输入不存在的发表年份 "1800".
2. 点击高级搜索按钮。
应该返回零匹配结果,提示该年份没有对应的文献资源。

总结

本文主要介绍了使用ChatGPT帮我们编写测试用例的方法,使用ChatGPT编写测试用例,能够帮我们节省很多时间,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
|
2月前
|
数据采集 运维 安全
测试需要写测试用例吗?
测试需要写测试用例吗?
30 0
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
提升软件测试效率与质量:AI驱动的自动化测试策略
【2月更文挑战第19天】 在快速迭代的软件发展环境中,传统的手动测试方法已无法满足高效率和高质量的要求。本文探讨了人工智能(AI)技术如何革新现有的软件测试流程,通过引入AI驱动的自动化测试策略,旨在提高测试覆盖率,减少人为错误,优化资源分配,并缩短产品上市时间。我们将分析AI在识别潜在缺陷、生成测试用例、执行测试以及结果分析中的应用,并讨论实施这些策略时可能遇到的挑战和限制。
152 3
|
3天前
|
测试技术 API 网络架构
Python的api自动化测试 编写测试用例
【4月更文挑战第18天】使用Python进行API自动化测试,可以结合`requests`库发送HTTP请求和`unittest`(或`pytest`)编写测试用例。以下示例: 1. 安装必要库:`pip install requests unittest` 2. 创建`test_api.py`,导入库,定义基础URL。 3. 创建继承自`unittest.TestCase`的测试类,包含`setUp`和`tearDown`方法。 4. 编写测试用例,如`test_get_users`,检查响应状态码和内容。 5. 运行测试:`python -m unittest test_api.py`
12 2
|
17天前
|
人工智能 数据可视化 测试技术
精准高效测试计划,人工智能帮你制定
测试计划文档包括测试范围、方法、资源和进度,涉及测试项、特性、任务、执行者和风险控制。测试经理需制定文档大纲,细化测试任务,如用例编写、执行、资源分配及风险管理。2周测试周期内,5名测试人员将进行单元、集成、功能、性能和安全测试,以及缺陷验证和总结报告。在实际操作中,需注意人员匹配、任务平衡和沟通协调。由于ChatGPT输出的甘特图有误,需手动修正,最终完成测试计划的可视化表示。实践中,明确需求、拆分任务和校验输出是关键。
18 0
|
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
|
22天前
|
jenkins 测试技术 持续交付
软件测试|docker搭建Jenkins+Python+allure自动化测试环境
通过以上步骤,你可以在Docker中搭建起Jenkins自动化测试环境,实现Python测试的自动化执行和Allure报告生成。 买CN2云服务器,免备案服务器,高防服务器,就选蓝易云。百度搜索:蓝易云
44 6
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
提升软件测试效率:AI驱动的自动化测试策略
【2月更文挑战第30天】随着人工智能(AI)在软件开发周期中的日益普及,其在提高软件测试效率方面的潜力正受到越来越多的关注。本文探讨了如何通过集成AI技术来优化自动化测试流程,从而减少重复工作、提高错误检测率和加快反馈速度。我们将分析当前AI在自动化测试中的应用,并提出一系列策略以利用AI改进测试案例生成、执行和维护过程。
88 0

热门文章

最新文章