学会提问,让AI成为你的私人测试助理

点击上方蓝色文字关注我

QA Tester

写在前面

    在数字化转型的浪潮中，AI正以前所未有的速度渗透到各个行业，软件测试领域也不例外。对于测试工程师而言，AI工具就像一位潜力无限的实习生，能否将其转化为高效的私人助理，关键在于是否掌握了精准提问的技巧。本文将结合实际案例，深入探讨测试工程师如何通过有效的提问，让AI工具成为工作中的得力助手。

一、核心：明确目标与边界

    很多测试工程师在使用AI工具时，常常会陷入“无效提问”的困境。比如，只是简单地说“给我一些测试用例”，得到的回答往往泛泛而谈，缺乏针对性。这是因为AI工具无法准确理解模糊的需求，只有当我们明确了测试目标和边界，才能引导AI输出有价值的内容。

（一）明确测试目的

    在提问时，首先要清晰地表达测试的目的。例如，当需要测试用户年龄输入框时，不要只说“生成测试数据”，而是应该明确指出“我需要测试用户年龄输入框的边界值”。这样，AI就能知道我们的测试重点在哪里，从而生成更符合需求的测试数据。

（二）细化数据规则

    除了明确测试目的，还需要详细说明数据规则。比如，在生成年龄测试数据时，可以要求“包含有效值（0 - 120岁）、最小值（0）、最大值（120），以及无效值（负数、非数字字符、超长数字如12345）”。通过这样的细化，AI生成的测试数据将更加全面和精准。

（三）指定输出格式

    为了方便后续的使用和分析，还可以指定AI的输出格式。例如，要求“用表格展示，一列为输入值，一列为预期结果”。这样，我们就能直接将AI生成的结果用于测试工作，无需再进行额外的整理。

二、赋予角色：让AI从专业角度思考

    AI工具的通用性很强，但如果能给它赋予一个特定的角色，就能让它从专业的角度思考问题，输出更具针对性的内容。

（一）明确专业身份

    在提问时，可以假设AI是资深测试开发工程师、图像测试专家等专业人士。例如，当需要分析一段接口返回的JSON时，可以说“假设你是资深测试开发工程师，请检查以下登录接口的响应”。这样，AI就会以专业的视角来分析问题，给出的结果也会更加准确和深入。

（二）聚焦专业领域

    根据不同的测试场景，赋予AI相应的专业领域角色。比如，在测试图像处理软件时，可以对AI说“假设你是图像测试专家，请利用Stable Diffusion生成10组不同风格的测试图像，用于测试软件在不同场景下的表现，图像风格包括写实风、卡通风、抽象风等”。这样，AI就能生成符合测试需求的图像数据集。

三、拆解任务：降低AI理解负担

    面对复杂的任务，直接抛出一个大问题，AI可能会因为理解困难而给出空洞的回答。这时候，我们需要把大任务拆解成一个个小步骤，引导AI逐步完成。

（一）分步引导

    以设计自动化测试框架为例，不要只说“帮我想一个自动化测试框架的设计方案”，而是应该分步引导：

1. 第一步：用Python + pytest设计登录模块的测试框架，需包含数据驱动（从Excel读取测试用例）、失败截图功能、自定义日志记录格式；

2. 第二步：针对以上框架，给出一段示例代码和目录结构说明。

    通过这样的分步引导，AI能更清晰地理解我们的需求，给出的方案也会更具体、更可执行。

（二）逐步细化

    在拆解任务的过程中，还可以逐步细化每个步骤的要求。比如，在生成性能测试脚本时，可以先明确工具选择“我需要用Locust（而非JMeter）编写一个HTTP接口压测脚本”，再详细说明具体要求“模拟100用户阶梯式递增（每10秒 + 20用户），统计登录接口的90%响应时间，当错误率>5%时立即停止测试，给出代码并注释关键参数含义”。这样，AI就能生成符合我们要求的性能测试脚本。

四、提供上下文：让AI了解测试场景

    AI工具虽然知识渊博，但它并不了解我们当前的测试场景和上下文信息。所以在提问时，要像和同事沟通一样，同步必要的背景信息。

（一）同步测试环境

    在提问时，要告知AI当前的测试环境。比如，当测试安卓APP的首页加载速度时，可以说“我正在用Appium测试安卓APP的首页加载速度，环境是Python + pytest”。这样，AI就能根据测试环境来分析问题，给出更合适的解决方案。

（二）提供相关代码和日志

    如果在测试过程中遇到了报错，要将错误日志和对应代码片段一起提供给AI。例如，“以下是报错日志和对应代码片段：[粘贴代码/日志]”。这样，AI就能更准确地定位问题，给出有效的解决方案。

（三）说明业务规则

    除了测试环境和代码日志，还需要说明业务规则。比如，在测试积分系统时，要告知AI“用户使用积分后申请退款，实际业务规则是积分不退回”。这样，AI生成的测试用例才不会与业务规则冲突。

五、AI生成测试用例的避坑指南

    虽然AI生成测试用例的效率很高，但也存在一些问题需要我们注意。以下是一些常见的坑和避坑方法：

（一）边界条件覆盖不足

    AI生成的边界条件可能覆盖不足，看似很多，但都是“表面边界”。比如，在测试积分系统时，AI可能会测0积分、最大积分，但不会测积分精度问题（小数点后几位）和并发签到时的积分计算。为了避免这个问题，我们需要人工补充关键边界，建立边界条件检查清单，把历史bug场景喂给AI，让它不断学习和改进。

（二）业务逻辑理解偏差

    AI可能会出现业务逻辑理解偏差的情况，生成一些“逻辑上正确，业务上错误”的用例。比如，在积分系统中，用户使用积分后申请退款，AI可能会预期积分原路返回，但实际业务规则是积分不退回。为了避免这个问题，我们需要在需求文档中写清楚隐性规则，在Prompt里明确说明特殊规则，人工审核时重点检查业务逻辑。

（三）用例可执行性差

    AI生成的测试用例可能存在可执行性差的问题，比如步骤描述模糊、缺乏前置条件等。为了避免这个问题，我们可以在提问时要求AI生成的测试用例包含详细的步骤描述和前置条件，并且在使用前进行人工审核和优化。

写在最后：好提问=高效能

    掌握了精准提问的技巧，我们就能让AI工具成为测试工作中的得力助手，大大提升测试工作的效率。但要记住，AI工具只是辅助，不能完全替代测试工程师的经验和判断。在使用AI工具的过程中，我们要不断积累经验，优化提问方式，让AI工具更好地为我们服务。

    学会提问，让AI工具成为你的私人助理，从此告别无效沟通，开启高效测试之旅！ 

软件测试QA的碎碎念

测无止境

软件测试｜总结 | python学习

识别二维码，关注我