前置测试模型2

简介:

本期测试我将自己对前置测试的理解运用到实践中,在项目交付后期相对轻松,避免了因时间紧产生的压迫感而引发的更多风险,现将我的体会记录在此。

一. 确立共同的目标

在项目立项时,与PD,PM,项目成员,抛开组织角色确立共同的目标,让所有人都项目成功

二. 前置投入

1. 需求分析: 对需求的完整性,可测性,模糊区域进行业务分析;对系统级服务器内容重点关注。根据业务场景了解服务器间调用机制以及数据读取规则。建议此处提前准备出情景用例,特别是用带数据的用例提前验证服务器处理逻辑结果,根据让服务器端的同学队期望结果有一个体系化和具体化的认知。


2. 系分阶段:根据测试经验和开发经验,对系分提出建议和疑问,看看哪些逻辑是应该放到服务端去处理,避免客户端实现太复杂的界面交互


3. 测试分析阶段:随时带着疑问去考虑技术实现效果是否能达到业务的期望结果,发现问题,马上与服务端和前端开发hold一个小面谈,讨论技术方案


4. 开发阶段:监控进度,提供支持,保持对期望结果的统一认知。


5. 开发自测阶段前:准备好测试的数据,只要服务端开发基本问题,客户端可以编译通过,随时投入测试,帮助开发走通业务,提前发现问题记录后,提供给开发修复。


6. 开发自测阶段:与开发并肩作战,保证对用例的理解和自测的质量。通过接口测试,重点发现业务逻辑。


7. 交付阶段开始:将重点业务逻辑作为测试重点;主动同步需求变更;人盯人的每天清剿bug;发现理解不一致问题,马上邀会,当场解决。


切记:

1. 每个人都有惰性和时间管理问题,要保证开发代码质量,要在前期多投入&早监控

2. 每个人都有自己的观点和脾气,沟通时要先表明为了共同的目的为前提,关键点是如何解决出现的问题

3. 将角色定位到质量保证,看全盘,参与更多的产品生命周期

本文转自叶子文文博客51CTO博客,原文链接http://blog.51cto.com/leafwf/1315462如需转载请自行联系原作者


叶子文文

相关文章
|
12天前
|
测试技术
谈谈【软件测试的基础知识,基础模型】
谈谈【软件测试的基础知识,基础模型】
21 5
|
18天前
|
敏捷开发 测试技术
开发模型(瀑布、螺旋、scrum) 和 测试模型(V、W)、增量和迭代、敏捷(思想)及敏捷开发 scrum
文章详细介绍了软件开发过程中的不同开发模型(瀑布、螺旋、Scrum)和测试模型(V模型、W模型),以及增量和迭代的概念,最后阐述了敏捷思想及其在敏捷开发(如Scrum)中的应用。
31 0
开发模型(瀑布、螺旋、scrum) 和 测试模型(V、W)、增量和迭代、敏捷(思想)及敏捷开发 scrum
|
14天前
|
API
2024-05-14 最新!OpenAI 新模型 GPT-4 omni 简单测试,4o速度确实非常快!而且很便宜!
2024-05-14 最新!OpenAI 新模型 GPT-4 omni 简单测试,4o速度确实非常快!而且很便宜!
31 0
|
15天前
|
机器学习/深度学习 人工智能 并行计算
StableDiffusion-01本地服务器部署服务 10分钟上手 底显存 中等显存机器 加载模型测试效果 附带安装指令 多显卡 2070Super 8GB*2
StableDiffusion-01本地服务器部署服务 10分钟上手 底显存 中等显存机器 加载模型测试效果 附带安装指令 多显卡 2070Super 8GB*2
14 0
|
1月前
|
人工智能 测试技术 PyTorch
AI计算机视觉笔记二十四:YOLOP 训练+测试+模型评估
本文介绍了通过正点原子的ATK-3568了解并实现YOLOP(You Only Look Once for Panoptic Driving Perception)的过程,包括训练、测试、转换为ONNX格式及在ONNX Runtime上的部署。YOLOP由华中科技大学团队于2021年发布,可在Jetson TX2上达到23FPS,实现了目标检测、可行驶区域分割和车道线检测的多任务学习。文章详细记录了环境搭建、训练数据准备、模型转换和测试等步骤,并解决了ONNX转换过程中的问题。
|
2月前
|
机器学习/深度学习 人工智能
高于临床测试3倍准确率!剑桥大学开发AI模型,提前6年预测阿尔茨海默症
【8月更文挑战第9天】剑桥大学研发的人工智能模型在预测阿尔茨海默症方面取得突破,准确率比传统临床测试高三倍,能提前六年预测疾病发生。该模型基于深度学习,利用大量临床及神经影像数据识别生物标志物,预测准确性达80%。这一成果有望促进早期干预,改善患者预后,但仍需更大规模研究验证,并解决隐私与公平性等问题。论文已发表于《The Lancet》子刊。
46 6
|
3月前
|
机器学习/深度学习 存储 数据可视化
谷歌的时间序列预测的基础模型TimesFM详解和对比测试
在本文中,我们将介绍模型架构、训练,并进行实际预测案例研究。将对TimesFM的预测能力进行分析,并将该模型与统计和机器学习模型进行对比。
144 2
|
2月前
|
机器学习/深度学习 数据采集 测试技术
利用Python实现简单的机器学习模型软件测试的艺术与科学:探索自动化测试框架的奥秘
【8月更文挑战第27天】在本文中,我们将一起探索如何通过Python编程语言创建一个简单的机器学习模型。我们将使用scikit-learn库中的线性回归模型作为示例,并通过一个实际的数据集来训练我们的模型。文章将详细解释每一步的过程,包括数据预处理、模型训练和预测结果的评估。最后,我们会用代码块展示整个过程,确保读者能够跟随步骤实践并理解每个阶段的重要性。
|
4月前
|
测试技术 程序员 开发者
软件测试项目式学习一(认识软件生命周期与开发模型及软件质量)
软件测试项目式学习一(认识软件生命周期与开发模型及软件质量)
56 0
|
4月前
|
敏捷开发 测试技术
【软件测试】 开发模型和测试模型
【软件测试】 开发模型和测试模型