软件测试面试经（一）
-
最近一份工作最熟悉的功能模块测试设计和大概流程是什么样的
我最近主要负责订单 / 用户中心模块的测试，先做需求分析和业务流程梳理，用等价类、边界值、场景法设计用例；提测后先做冒烟，再执行完整功能测试，对 Bug 进行提交、跟踪、回归；最后输出测试报告，评估上线风险，确保核心流程稳定、无阻塞问题。
-
大模型相关的测试场景很多，你是怎么做到提效的？提效的方式有哪些？评测的标准是怎么样制定的
面对大模型多场景，我主要通过分层测试、自动化评测、场景收敛、对比基线来提效；具体会搭建自动化评测 pipeline，用规则和小模型辅助打分，只把高风险和主观场景留给人工。
评测标准会结合业务目标，从客观准确率、安全通过率、格式合规性，再到人工主观的有用性、逻辑性综合制定，确保可量化、可复用来保证模型质量稳定。
-
自动化更多的是单独对模型测试，不是和机器人做整体的自动化交互测试？
-
端到端测试有什么提升效率的方法吗？
端到端测试我主要通过分层瘦身减少用例数量、提高用例稳定性降低重跑、并发分布式执行、测试数据自动化、以及只跑变更用例来提效。同时把通用操作组件化，替换成更高效的 Playwright 工具，整体执行速度和编写效率都能提升非常多。
-
有用大模型在实际工作过程中的提效，工作有哪些变化，流程有哪些变更
有了 AI 能力后，测试流程从传统的静态、手工、固定输出的模式，变成了AI 驱动的智能测试与持续迭代体系。主要变化发生在四个阶段：
1）测试准备阶段：AI 自动生成测试点、用例和数据集，替代大量手工梳理。
2）测试执行阶段：AI 辅助生成自动化脚本，搭建自动化 Pipeline，替代手工点点点，实现全链路自动回归。
3）结果断言阶段：从固定字符串比对，升级为智能评测、语义校验、LLM-as-judge 的动态断言。
4）回归与质量控制阶段：从静态验收，升级到建立基线、持续评测、自动检测退化，通过指标门禁来上线。
我的工作也从单纯的功能验证，转变为构建 AI 评测体系、搭建自动化框架、优化测试流程，大幅提升了测试效率和质量稳定性。
-
用cursor进行coding过程中，流程是什么样的，遇到过什么问题
我用 Cursor 一般是先搭建代码骨架，明确需求后通过指令生成功能代码，然后运行调试，根据报错再局部优化。
过程中遇到过 AI 生成代码看似正确但实际运行失败、上下文过长逻辑混乱、代码风格不统一等问题，后来通过拆分文件、人工校验代码、统一重构规范，既提高了编码效率，也保证了代码质量。
-
8.AI幻觉/上下问丢失，有没有了解用什么方法怎么去改善？让AI更精准
改善 AI 幻觉主要从几方面入手：
第一是RAG 检索增强生成，让模型基于真实文档回答，减少自由创作；
第二是指令精调和对齐训练，让模型更严谨、不编造；
第三是输出格式约束 + 事实校验，不确定内容直接提示未知，不瞎编；
第四是使用少样本示例引导，降低幻觉概率。
-
python装饰器怎么理解，项目中怎么使用
装饰器就是不修改原函数代码，动态给函数增加额外功能的高阶函数，常用 @ 语法糖使用。
我在项目里主要用来做：统一日志、执行计时、异常重试、接口请求封装、参数校验等，能大幅减少重复代码，让业务逻辑更干净。
-
接口自动化，在AI出现后是怎么做的，效率有哪些提升
你可以直接说这 5 点，非常专业：
用例设计效率提升 5～10 倍AI 几分钟完成一个模块，人要几小时。
自动化脚本开发效率提升 3～8 倍不用手写，复制粘贴就能跑。
断言覆盖率大幅提升传统只判状态码，AI 能做业务深度校验。
调试、定位问题时间减少 70% 以上AI 直接告诉你原因，不用一点点翻日志。
维护成本大幅降低接口变更时，AI 自动更新脚本，不用人工重构。
-
AI输出一篇很漂亮的自动化报告，怎么去确认，AI到底准确做了多少事情，怎么去判断这个事情？
判断 AI 自动化报告是否真实准确，不能只看格式和美观度，要从四个维度验证：
- 文件溯源：检查任务是否真实生成输出文件（点云、模型、日志等），没有文件则报告不可信。
- 日志校验：查看执行日志，确认每个步骤都真实执行，没有跳过、报错或伪造流程。
- 结果比对：抽样人工验证报告中的数值，如距离、面积、精度、点数，与真实数据比对。
- 指标量化：通过 ATE、RMSE、覆盖率等客观指标判断任务质量，避免主观描述误导。
我会搭建一套自动化校验机制：
用 Python 读取输出文件，校验格式、大小、点数是否合法
解析日志，检查关键步骤是否执行成功
对比标准结果，自动计算误差是否在阈值内
异常自动标记，不让虚假漂亮报告流入上线
这样既高效，又能彻底避免 AI 幻觉。
浙公网安备 33010602011771号