AI 智能化测试:从测试用例生成到自动执行的工程实践
自动化测试跑起来以后,测试工程师的工作并不会就此结束。
需求一调整,要重新核对业务规则;页面一变化,要检查原有操作是否还成立;一次回归执行结束,还要确认失败究竟来自业务问题、环境变化还是测试步骤本身。
大模型和 AI Agent 正在改变这几个环节的衔接方式:从文档中整理测试场景,用自然语言描述执行任务,调用 Web、App 和接口测试工具,再把日志、截图与断言结果收集起来。
这里结合爱测智能化测试平台产品资料中的实际界面,讨论这些技术如何用于软件测试。文中的银行转账、GitLab 项目、移动端演示和遍历测试分别来自不同示例,不把它们合并成一份不存在的端到端测试记录。
01|AI 智能化测试,把哪些环节连接起来了?
传统自动化测试的主要输入是一条已经设计好的测试用例。测试人员确定执行条件、操作步骤和预期结果,随后通过 Playwright、Selenium、Appium 或接口测试框架执行。
AI 智能化测试把一部分能力向前延伸:需求文档可以先经过语义解析,业务规则可以整理为测试场景;进入执行阶段后,测试智能体再调用相应的自动化工具。
工作环节
主要任务
AI 可以参与的部分
需求理解
识别业务规则
提取功能点、约束与条件
测试设计
形成测试场景
生成测试点与用例草稿
测试执行
操作被测系统
规划路径、调用工具
结果核对
判断执行结果
汇总断言、日志和截图
测试维护
响应需求变更
关联需求、用例与执行资产
把这些工作串起来,需要同时管理业务知识、执行工具和测试结果。大模型负责语言理解和任务推理,测试工具负责真正操作系统,测试人员则确定业务判断依据。
图:AI 智能化测试整体流程(技术示意图)
02|一份银行转账需求,能拆出多少测试场景?
银行转账是一个适合观察业务规则拆解过程的例子。
在所提供产品资料的银行转账用例节选中,可以看到三类具体场景:特殊账户的额度判断、选择开户行网点时的支付路由判断,以及不同收款银行对开户行信息的要求。用例还包含“用户删除已输入开户行信息”“输入不存在的开户行”等交互场景。
图:银行转账业务用例名称节选,原始列表中这些用例标注为“待评审”,并非执行通过记录。
对测试设计而言,这些条目并不是同一种操作的简单重复,它们对应不同的业务判断。
业务变化
需要关注的测试问题
特殊账户类型不同
额度规则是否按账户类型生效
选择不同支付路由
开户网点是否需要填写
收款银行发生变化
表单校验是否采用对应规则
用户修改或删除输入
页面状态与最终提交数据是否一致
以上是对截图中测试主题的工程分析,并不是原始截图附带的测试结果。
用大模型辅助生成用例时,比较重要的一步是把“业务条件—验证目标—预期结果”对应起来。例如,判断开户网点是否必填,需要同时考虑收款银行、转账路由以及当前业务流程,而不只是一条输入框是否为空的检查。
最终生成的用例应当有前置条件、步骤、测试数据和预期结果,方便测试人员复核和后续执行。
图:从需求解析到结构化测试用例的处理过程(技术示意图)
03|生成的用例,如何变成可以管理的测试资产?
测试用例生成之后,还需要进入项目管理与执行流程。
产品资料中另有一组 GitLab 项目的功能测试示例。对应的界面展示了测试用例 ID、名称、步骤等字段,也提供筛选和批量操作入口。这与前面的银行转账案例不是同一个项目。
图: GitLab 项目的用例列表。
有了结构化用例,后续就可以围绕需求变更做进一步管理。比如某个功能的业务规则调整,可以先查找关联场景,再确认需要更新哪些用例和测试数据。
实际使用中,AI 生成的测试用例仍然需要结合产品需求进行检查。业务规则是否理解正确、预期结果是否明确,比一次生成多少条用例更值得关注。
04|测试智能体怎样把自然语言变成执行步骤?
传统自动化代码会直接指定元素定位、点击、输入与断言动作。测试智能体增加了任务理解和执行规划的环节。
例如,一条测试任务是:“打开应用,选择两个城市,对比天气信息,并检查结果是否展示。”
智能体需要先识别目标页面和操作步骤,再调用移动端测试工具完成交互,并根据实际页面状态继续执行。
常见的技术结构包含五部分:
LLM:理解测试任务和业务意图。
Planning:拆解步骤,安排执行路径。
Tools:调用 Web、App 和接口自动化工具。
Observation:读取页面、响应与执行日志。
Memory:通过历史上下文、知识库或 RAG 补充任务信息。
图:测试智能体的任务规划与执行循环(技术示意图)
执行结束之后,工程师还需要查看具体证据。以下是产品资料中的 App 测试报告片段,演示项目包含天气城市对比与语言设置等测试用例,报告中记录了执行步骤和步骤截图。
图:App 自动化执行的 Allure 报告片段
这类执行记录的意义在于,可以沿着步骤回看测试做了什么、在哪个界面进行了交互,以及断言结果对应什么证据。
从 Web 页面、移动端到接口层面,底层工具和观察对象各不相同,但测试任务都需要做到操作可追踪、结果可核对
图:三类测试执行入口与测试报告的组织方式(技术示意图)
05|智能遍历能补充哪些测试场景?
在存量系统或快速迭代的产品中,有时没有足够完整的测试用例。工程师通常要先熟悉页面结构,再决定从哪里开始探索。
智能遍历测试可以从被测应用入手,识别页面与控件,依照配置规则尝试不同交互,并记录执行路径、界面状态和运行日志。
它与简单点击页面的区别,在于可以控制遍历范围,也能够结合断言与执行记录观察操作结果。
例如,可以配置遍历深度、白名单与黑名单、测试数据、等待机制、全局断言,以及相似控件的最大遍历次数。
图:智能遍历的流程与控制规则(技术示意图)
在产品资料提供的 AppCrawler 演示报告中,可以看到本次示例运行的成功与失败统计,同时保留了失败动作及对应的界面截图。
图:AppCrawler 遍历报告节选
这一类记录特别适合后续复盘。测试人员不仅能看到探索过哪些页面,还可以检查异常发生在哪个操作环节,再决定是否需要补充对应的回归用例。
06|知识图谱怎样连接页面、业务和测试路径?
当需求、页面、接口与用例被分开保存时,一次业务变化可能涉及多处需要人工确认的内容。 知识图谱提供了另一种组织方式:把页面、控件、接口请求或业务场景作为节点,再用关系连接起来。
产品资料中的图谱截图展示了 NEXT_PAGE、HAS_ELEMENT 等关系。前者可以用来表达页面间的跳转,后者可以描述页面与元素之间的关联。
图:UI 交互关系,属于测试知识图谱的一种应用
从测试工程角度来看,这类关系可以参与两个工作:一是帮助整理可探索的页面路径,二是为自动化用例生成提供结构化上下文。
如果再结合业务知识、需求规则和接口依赖,还可以进一步组织跨模块的测试场景。比如支付路径改变时,定位与相关页面、接口以及测试用例有关的节点。
图:业务知识与自动化执行路径的关联方式(技术示意图)
07|从单项能力到一条完整测试流程
回到实际工程,AI 用例生成、测试智能体、智能遍历和知识图谱并不是彼此替代的工具。
用例生成处理的是“测什么”,智能体执行处理的是“怎样测”,遍历测试可以补充未充分设计的交互路径,知识图谱则负责把业务关系和测试知识组织起来。
爱测智能化测试平台的公开方案,把这些能力组合到测试平台之中,覆盖需求文档分析、用例生成、Web/App/接口自动化、智能探索和图谱驱动用例生成等环节。
不同项目可以从一个环节开始。例如,需求文档较多的项目,可以先验证文档到用例的生成流程;有自动化基础的团队,可以先把自然语言任务与现有执行工具结合;历史用例不完整的项目,则可以从受控的智能遍历入手。
重要的是让测试过程中的业务条件、执行步骤与验证结果形成联系,逐步沉淀能够复用的测试资产。
结语
软件测试的发展,并不只是执行工具越来越多。
从需求分析、测试设计到执行和验证,每个环节都需要能够解释清楚:为什么要测、实际做了什么、结果是否符合业务规则。
大模型、测试智能体和知识图谱为这些环节提供了新的技术连接方式。与此同时,测试工程师对业务规则的理解、对测试结果的判断,仍然决定着整套流程的质量。
把业务规则转化为可复核的用例,把自动化执行转化为可追踪的证据,是 AI 智能化测试在工程实践中值得持续投入的方向。

浙公网安备 33010602011771号