夜雨聆风这是最近同学面试过程中遇到的实际问题，罗列供参考。
考察点：
对AI生成用例全流程的质量控制、知识工程应用、幻觉问题解决的实际经验。
构建高质量知识库：
将历史需求文档、技术文档、存量测试用例等资产进行向量化处理，构建企业私域知识库。在生成用例时，通过RAG（检索增强生成）技术，让大模型优先基于召回的相关知识生成内容，减少“瞎编”。设计强约束的Prompt：在Prompt中明确角色（如“测试专家”）、生成步骤（如先做需求合规性检查）、用例结构（必须包含测试目标、前提条件、步骤、预期结果）和输出格式（如Markdown表格）。明确禁止生成需求中未定义的字段或逻辑。
实施多维度效果测评与优化：知识点召回能力：评估知识库能否准确召回与需求相关的知识点。文档中提到，在325个查询问题中，知识库成功召回309个，召回率达95.1%。
用例生成能力：评估生成用例的覆盖率和冗余率。例如，微博的“织女系统”平均覆盖率达到86%，冗余率为17.3%。
针对性解决生成问题：
针对“功能溢出”（业务联想泛滥），通过圈定业务范围解决；针对“幻觉”，通过优化提示词和知识库知识点解决；针对“冗余”，通过Prompt限定生成角度解决。
建立“人在环路”机制：
生成的用例需要经过人工评审、校准和采纳。将采纳与不采纳的用例作为正负样本反馈给系统，用于持续调优知识库和Prompt。
- 传统UI自动化测试脚本维护成本高、无法快速适配业务变化。如何利用AI（特别是多模态能力）解决这些问题？
考察点：对AI赋能UI自动化测试技术路线的理解，特别是多模态模型和智能体的应用。
从“脚本驱动”到“自然语言与视觉驱动”：自然语言驱动：
测试人员可以用自然语言描述测试场景（如“在登录页面，输入错误的密码，点击登录按钮”），由AI Agent理解并规划执行步骤。
多模态视觉识别：
AI通过“看”屏幕（截图或实时画面）来理解UI，结合OCR和视觉模型识别页面元素（按钮、输入框），不再依赖底层DOM结构。这使得测试能自适应UI的动态变化。
构建“规划-执行-检查”的智能体架构：规划（Planner）：
AI将自然语言需求分解为可执行的原子操作步骤序列。执行（Action）：
智能体调用抽象化的操作工具库（如tap、input、swipe），由AI决策具体操作哪个视觉元素。检查（Checker）：
利用多模态模型进行“视觉断言”，判断页面状态是否符合预期（如“成功提示框是否出现”），或提取页面DOM文本进行逻辑校验。引入知识图谱与审查机制：
将常见的业务流程（如“登录-搜索-下单”）构建成知识图谱。当收到指令时，AI可优先从图谱中召回标准流程链路，提高规划准确性。同时，设置审查流程，当AI执行进入错误页面或页面无变化时，能自我纠正。
以上内容全都总结在了知识星球，需要的同学加入获取，如果觉得星球其他内容能够给予你长期的帮助，可以持续关注内容更新。
