AI4MBDSE|雷达日报2026-07-06

关于 AI4MBDSE

AI+MBSE+测试 - 三个领域交叉的个人技术雷达。

从跨领域信号中找到真正值得关注的变化，

用「雷达扫描 → 精读拆解 → 方法沉淀」的多Agent协作流，

把技术洞察转化为可复用的工程方法和知识资产。

信号 01｜GitHub Agentic Workflows 公测

英文标题：GitHub Agentic Workflows is now in public preview

分类：AI+测试 | 新增工程实践 / Agent / Workflow / Knowledge

为什么选它：它给出了一种可迁移的治理形态：AI 动作进入既有 DevOps/测试流程，留下权限边界、运行记录和人工评审点。这个形态可借鉴到需求变更分析、测试影响分析、验证证据整理等场景。

能用吗：现在可用。边界是：官方信号仍需要结合自己的项目流程复核，不能直接当成无约束自动化方案。

怎么用：在需求、模型或测试闭环里，先针对一个对象做最小验证：画一张 Agent 测试任务治理流程图。 最小产出是一张包含输入、约束、复核点和证据的检查表。

原始链接：查看来源

链接 URL：https://github.blog/changelog/2026-06-11-github-agentic-workflows-is-now-in-public-preview/

信号 02｜IDDMBSE：数据驱动 + MBSE 方法

英文标题：IDDMBSE: Integrating Data-Driven and Model-Based Systems Engineering for Trusted Autonomous Cyber-Physical Systems

分类：AI + MBSE | AI + MBSE

为什么选它：它补上了 AI4MBDSE 中最容易缺的一环：AI/数据驱动能力如何和需求、模型、验证证据共存。今天值得读，是因为它提供了一个可画成流程卡的框架，而不是只讨论单点算法。

能用吗：可以试验。边界是：论文信号仍需要结合自己的项目流程复核，不能直接当成无约束自动化方案。

怎么用：在需求、模型或测试闭环里，先针对一个对象做最小验证：画一张 IDDMBSE 双循环示意图。 最小产出是一张包含输入、约束、复核点和证据的检查表。

原始链接：查看来源

链接 URL：https://arxiv.org/abs/2606.06727

信号 03｜自然语言需求到 AI 测试生成综述

英文标题：AI-Driven Test Case Generation from Natural Language Requirements: A Survey of Techniques and Research Gaps

分类：AI+测试 | 当日新增信号 / AI + 测试

为什么选它：它把 AI 测试生成从工具能力拉回工程约束：没有验收规则和追踪字段，生成测试越多，验证噪音也可能越多。它直接影响需求分析、测试设计和验证证据链。

能用吗：可以试验。边界是：论文信号仍需要结合自己的项目流程复核，不能直接当成无约束自动化方案。

怎么用：在需求、模型或测试闭环里，先针对一个对象做最小验证：写一张需求到测试生成检查清单。 最小产出是一张包含输入、约束、复核点和证据的检查表。

原始链接：查看来源

链接 URL：https://arxiv.org/abs/2606.06563v2

信号 04｜Playwright 1.61.1 测试工具链维护

英文标题：microsoft/playwright latest release: v1.61.1

分类：AI+测试 | AI + 测试

为什么选它：上一条看的是同一方向里的工程约束，这一条把尺度切到工具链稳定或证据治理。它的重要性有限，属于背景级工具链信号；价值在于提醒自动化测试平台要关注断言、追踪、调试和运行时兼容性。

对 AI4MBDSE 的影响是间接的：AI 生成测试也必须落到稳定可调试的执行底座上。

能用吗：可以试验。边界是：GitHub信号仍需要结合自己的项目流程复核，不能直接当成无约束自动化方案。

怎么用：在需求、模型或测试闭环里，先针对一个对象做最小验证：记录一条测试底座稳定性判断。 最小产出是一张包含输入、约束、复核点和证据的检查表。

原始链接：查看来源

链接 URL：https://github.com/microsoft/playwright/releases/tag/v1.61.1