软件测试/人工智能|使用ChatGPT帮我们查找bug

简介: 软件测试/人工智能|使用ChatGPT帮我们查找bug

image.png

简介

作为一个程序员,发现自己写的bug其实不是一件容易的事情,我们会更容易发现别人的错误,对于自己代码里的错误会更难发现,这也是测试的必要性。通常,我们会有以下几种方式来检测发现代码中的bug:

  • 研发编写单元测试。
  • 代码扫描,比如sonarqube,findbugs。
  • 测试人员进行集成测试

现在有了人工智能工具,我们自然也可以使用人工智能工具来帮我们查找bug,本文就来介绍一下使用ChatGPT来帮我们查找代码中的bug。

演练示例

人工智能能够帮助我们发现各种类型的bug,比如代码执行报错,需求未实现,变量命名不规范等问题,下面我们就来逐一举例说明。

  1. 代码执行报错

首先我们输入错误代码:

list_a = []
for i in range(1, 5):
    list_a.append(i)

print(list_a[5])

然后我们给到ChatGPT提问:请找出以上代码的Bug,先说明错误在哪并给出修复建议。

之后ChatGPT会输出回复,回复如下:

这段代码的bug在于它尝试打印列表 list_a 中索引为 5 的元素,但是 list_a 只有 4 个元素,所以索引 5 超出了列表的范围。修复建议是要么修改打印语句,要么修改列表创建的方式,以确保索引不会超出范围。

修复方式有两种:

  • 修改打印语句:
list_a = []
for i in range(1, 5):
    list_a.append(i)

# 打印列表的最后一个元素,索引为 -1
print(list_a[-1])
  • 修改列表创建方式:
# 使用 range 函数创建列表,包含 1 到 4 的元素
list_a = list(range(1, 5))

# 打印列表的第四个元素,索引为 3
print(list_a[3])
  1. 需求未实现

首先输入错误代码,这是一段用于实现冒泡排序的代码,但是存在问题:


def bubble_sort(list):
    for i in range(len(list)):
        for j in range(i+1,len(list)):
            if list[i] < list[j]:
                list[i],list[j] = list[j],list[i]
    return list

然后我们向ChatGPT提问,上述代码是用于实现冒泡排序的,请先找到代码中的问题,然后给出修改意见

ChatGPT给出的修改意见如下:

在这段代码中,冒泡排序通常是将较大的元素向右移动,但你的代码中,如果 list[i]小于 list[j],则交换它们。这会导致排序结果是从大到小而不是从小到大。

要修复这个问题,需要修改判断条件,将不等号的方向反过来,以便在发现 list[i] 大于list[j]时进行交换。

修正后的代码应该是这样的:

def bubble_sort(list):
    for i in range(len(list)):
        for j in range(i+1, len(list)):
            if list[i] > list[j]:  # 修改判断条件,将不等号的方向反过来
                list[i], list[j] = list[j], list[i]
    return list

这样修改后,代码会按照从小到大的顺序对列表进行冒泡排序。

  1. 变量命名不规范

有的时候我们的代码没有功能上的问题,但是不符合python pep8的规范,这样的问题我们也可以使用ChatGPT来查找并提出修改意见。

首先,我们先输入不规范的代码,如下:

def getNumber():
    pass

然后我们向ChatGPT提问,请指出以上代码不符合规范的地方,并给出修改的信息

ChatGPT的回复如下:

函数名应该小写,且用下划线分隔

注:ChatGPT并不是每次都能发现这样的问题,因为这样的问题并没有影响功能的实现。

总结

本文主要介绍了使用ChatGPT发现代码中的bug,我们可以借助ChatGPT发现代码中的执行问题,功能未实现以及一些不符合语法规范的问题,希望本文能够帮到大家。

image.png

相关文章
|
21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
39 0
|
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
|
18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
|
21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。
39 0
|
21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
|
21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。
43 0
|
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 自然语言处理
人工智能AI大战:BARD、ChatGPT、Bing和文心一言谁更具有优势?
人工智能AI大战:BARD、ChatGPT、Bing和文心一言谁更具有优势?
45 0
|
1月前
|
人工智能 安全 数据挖掘
Pandas AI:Pandas与人工智能的结合,让你不再拘泥于如何使用pandas方法及处理语法
Pandas AI:Pandas与人工智能的结合,让你不再拘泥于如何使用pandas方法及处理语法

热门文章

最新文章