【day1】AI软件测试学习笔记

以下为整理的 AI软件测试学习笔记，涵盖性能测试工具链、AI大模型应用及开发实践，分为四大模块：

---

一、性能测试工具链与数据分析

1. 工具链整合效果

• JMeter + InfluxDB + Grafana
  • JMeter压测数据存储至云端InfluxDB，实现分布式压测和历史数据对比
  • Grafana大屏实时展示TPS、响应时间、错误率等核心指标
  • 示例监控项：

    SELECT mean("responseTime") FROM "jmeter" WHERE $timeFilter GROUP BY time(10s)
    

• Prometheus + Node Exporter
  • 采集服务器CPU、内存、磁盘IO等资源数据
  • 预警规则配置（如CPU持续>80%触发告警）

2. 压测数据分析方法

• 瓶颈定位
  • 关联JMeter响应时间与服务器资源峰值（如高延迟时CPU是否打满）
  • 慢SQL分析：通过Prometheus监控数据库查询耗时
• 性能报告生成
  • 使用Grafana生成PDF报告，标注性能拐点和优化建议

---

二、AI大模型在测试场景的应用

1. 垂直领域应用方向（非泛化生成）

场景	AI技术实现	工具示例
自动化测试脚本生成	根据需求描述生成Selenium/Pytest代码	ChatGPT API + 自定义Prompt
缺陷根因分析	分析日志提取异常模式并定位模块	LangChain + 日志聚类模型
测试用例智能补充	基于需求文档挖掘边界条件	大模型微调 + 规则引擎
性能测试结果预测	历史数据训练模型预测系统容量瓶颈	TensorFlow时序预测模型

2. 技术分层与工具选择
   

2. 开发层级与工具选型

• 底层开发（高阶）
  • 自主训练行业专用模型（需标注测试数据集）
  • 使用PyTorch构建缺陷分类模型
• 应用层开发（低代码）
  • 通过Dify平台快速搭建测试问答机器人
  • 调用阿里云百炼API生成测试报告摘要

---

三、AI测试智能体开发实践

1. 技术栈组成

2. 性能分析智能体案例

1. 数据输入：JMeter结果JSON + Prometheus监控数据
2. AI处理：
   • LangChain调用大模型API分析性能瓶颈
   • 输出优化建议（如数据库索引缺失、线程池配置不足）
3. 自动化输出：生成Markdown报告并推送至钉钉群

3. 快速开发工具

• Dify平台：拖拽式构建测试用例生成工具

  # 示例：通过API生成测试用例
  def generate_test_case(requirement):
      response = dify_api(
          prompt=f"作为QA工程师，为以下需求生成测试用例：{requirement}",
          temperature=0.3
      )
      return parse_response(response)
  

• LangChain应用：将多个AI服务串联实现复杂逻辑

---

四、学习路径与资源

1. 分阶段学习计划

1. 基础阶段：
   • JMeter分布式压测
   • PromQL语法精讲
   • Grafana仪表盘搭建
2. AI集成阶段：
   • LangChain官方文档（重点Agent和Chain）
   • 大模型API调用实战（OpenAI/智谱清言）
3. 项目实战：
   • 搭建智能日志分析系统
   • 开发自动化测试脚本生成器

2. 推荐工具清单

类型	工具	应用场景
性能监控	Prometheus + Grafana	资源监控与压测可视化
大模型平台	阿里云百炼/智谱清言OpenAPI	测试场景NLP处理
低代码开发	Dify	快速构建测试AI应用
框架	LangChain	复杂AI工作流编排

---

关键提示：

1. 优先使用云服务API而非本地部署大模型
2. AI测试开发=20%模型调用+80%测试领域知识
3. 从具体场景切入（如自动生成SQL注入测试用例）