探索人工智能在测试领域的新纪元:AI编写测试用例的前景

简介: 本文介绍了测试用例的重要性及其基本组成元素,如模块、标题、前置条件等。通过实践演练展示了如何利用ChatGPT自动生成测试用例,包括关键词精确匹配、模糊匹配、异常输入和搜索结果为空的场景。通过向ChatGPT提供详细需求和格式规范,可以得到Markdown格式的测试用例,然后导入Excel进行归档。关键在于清晰阐述需求、逐步细化任务,并对ChatGPT的回复进行调整优化。

简介

测试用例是测试人员的核心工作内容,是测试人员思想的“实现类”,其充分体现了测试的思路,可以为后续的测试行为提供指导,是测试人员了解业务的重要根据和质量之根本。如果测试用例设计得不完成,出现了遗漏,那么通常是会出现大家不想看到的后果,如漏测、线上 Bug 不断等。——引用自《饿了么质量体系搭建实战》

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

当然,有些测试用例可能还包含执行人等,可以根据自己的公司的需求,定义好测试用例的格式要求。

实践演练

那么如何让 ChatGPT 自动生成测试用例呢?

  1. 要把对应的需求信息给到 ChatGPT。
  2. 规定好用例的格式。
  3. 规定好用例的输出格式,减少调整的成本。

假设以下是我们的需求内容:

在 Web 界面上添加一个搜索按钮,要求能够做到关键词精确匹配与模糊匹配。

那么我们的提示词可以如此编写:

  • 提示词:我是一个测试工程师,这是我收到的需求信息:在 Web 界面上添加一个搜索按钮,要求能够做到关键词精确匹配与模糊匹配。要求根据以上的需求生成测试用例。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
根据您提供的需求,以下是两个测试用例示例,分别覆盖了关键词精确匹配和模糊匹配。测试用例的格式采用Markdown表格格式。
### 测试用例 1:关键词精确匹配
| 测试模块   | 测试标题         | 前置条件                 | 测试步骤                                   | 预期结果                     | 实际结果                     ||------------|------------------|--------------------------|--------------------------------------------|------------------------------|------------------------------|| 搜索按钮   | 关键词精确匹配   | Web界面已加载             | 1. 打开Web界面<br>2. 定位搜索按钮并点击<br>3. 输入关键词<br>4. 执行搜索 | 出现与关键词精确匹配的结果   | 实际结果与预期结果相符         |
### 测试用例 2:模糊匹配
| 测试模块   | 测试标题       | 前置条件                 | 测试步骤                                     | 预期结果                 | 实际结果                 ||------------|----------------|--------------------------|----------------------------------------------|--------------------------|--------------------------|| 搜索按钮   | 模糊匹配       | Web界面已加载             | 1. 打开Web界面<br>2. 定位搜索按钮并点击<br>3. 输入模糊关键词<br>4. 执行搜索 | 出现与关键词模糊匹配的结果 | 实际结果与预期结果相符   |
请根据您的具体需求进行适当的调整,并创建更多的测试用例,覆盖更多可能的情况,例如异常输入、搜索结果为空等情况。

我们需要将测试用例整合起来,这样好做用例的归档处理,可以进一部分输入我们的提示词

-   提示词:请帮我将这两个表格整合起来,并且在表格内补充异常输入、搜索结果为空的用例。
| 测试模块   | 测试标题         | 前置条件                 | 测试步骤                                   | 预期结果                     | 实际结果                     ||------------|------------------|--------------------------|--------------------------------------------|------------------------------|------------------------------|| 搜索按钮   | 关键词精确匹配   | Web界面已加载             | 1. 打开Web界面<br>2. 定位搜索按钮并点击<br>3. 输入关键词<br>4. 执行搜索 | 出现与关键词精确匹配的结果   | 实际结果与预期结果相符         || 搜索按钮   | 模糊匹配         | Web界面已加载             | 1. 打开Web界面<br>2. 定位搜索按钮并点击<br>3. 输入模糊关键词<br>4. 执行搜索 | 出现与关键词模糊匹配的结果   | 实际结果与预期结果相符         || 搜索按钮   | 异常输入         | Web界面已加载             | 1. 打开Web界面<br>2. 定位搜索按钮并点击<br>3. 输入特殊字符<br>4. 执行搜索 | 显示输入格式错误提示         | 实际结果与预期结果相符         || 搜索按钮   | 搜索结果为空     | Web界面已加载             | 1. 打开Web界面<br>2. 定位搜索按钮并点击<br>3. 输入不存在的关键词<br>4. 执行搜索 | 显示无匹配结果提示           | 实际结果与预期结果相符         |

以上就是整合后的 ChatGPT 的回复,我们只需要将 Markdown 格式的用例,粘贴到 excel 中,即可将测试用例进行归档。

总结

在这次实践中,我们使用了 ChatGPT 提示词的以下技巧:

  1. 写清楚需求:要把对应的需求信息给到 ChatGPT;规定好用例的输出格式,减少调整的成本。
  2. 系统的测试变化:在交互的过程中,会发现 ChatGPT 无法一次满足需求,所以可以进一步纠正它的回复,直到满意为止。
  3. 提供参考文本:规定好用例的格式。
  4. 将复杂的任务拆分为更简单的子任务。
相关文章
|
6月前
|
人工智能 自然语言处理 测试技术
从人工到AI驱动:天猫测试全流程自动化变革实践
天猫技术质量团队探索AI在测试全流程的落地应用,覆盖需求解析、用例生成、数据构造、执行验证等核心环节。通过AI+自然语言驱动,实现测试自动化、可溯化与可管理化,在用例生成、数据构造和执行校验中显著提效,推动测试体系从人工迈向AI全流程自动化,提升效率40%以上,用例覆盖超70%,并构建行业级知识资产沉淀平台。
从人工到AI驱动:天猫测试全流程自动化变革实践
|
6月前
|
人工智能 运维 算法
AI来了,运维不慌:教你用人工智能把团队管理提速三倍!
AI来了,运维不慌:教你用人工智能把团队管理提速三倍!
717 8
|
6月前
|
数据采集 存储 人工智能
从0到1:天猫AI测试用例生成的实践与突破
本文系统阐述了天猫技术团队在AI赋能测试领域的深度实践与探索,讲述了智能测试用例生成的落地路径。
从0到1:天猫AI测试用例生成的实践与突破
|
6月前
|
人工智能 搜索推荐 程序员
当AI学会“跨界思考”:多模态模型如何重塑人工智能
当AI学会“跨界思考”:多模态模型如何重塑人工智能
744 120
|
6月前
|
人工智能 自然语言处理 JavaScript
Playwright MCP在UI回归测试中的实战:构建AI自主测试智能体
Playwright MCP结合AI智能体,革新UI回归测试:通过自然语言驱动浏览器操作,降低脚本编写门槛,提升测试效率与覆盖范围。借助快照解析、智能定位与Jira等工具集成,实现从需求描述到自动化执行的闭环,推动测试迈向智能化、民主化新阶段。
|
6月前
|
人工智能 并行计算 PyTorch
以Lama Cleaner的AI去水印工具理解人工智能中经常会用到GPU来计算的CUDA是什么? 优雅草-卓伊凡
以Lama Cleaner的AI去水印工具理解人工智能中经常会用到GPU来计算的CUDA是什么? 优雅草-卓伊凡
538 4
|
7月前
|
机器学习/深度学习 数据采集 人工智能
AI能帮我们读懂心事吗?——聊聊人工智能在精神疾病早期诊断中的探索
AI能帮我们读懂心事吗?——聊聊人工智能在精神疾病早期诊断中的探索
199 5
|
7月前
|
机器学习/深度学习 人工智能 自然语言处理
如何让AI更“聪明”?VLM模型的优化策略与测试方法全解析​
本文系统解析视觉语言模型(VLM)的核心机制、推理优化、评测方法与挑战。涵盖多模态对齐、KV Cache优化、性能测试及主流基准,助你全面掌握VLM技术前沿。建议点赞收藏,深入学习。
2059 8

热门文章

最新文章