霍格沃兹测试开发学社
第二类：急躁用户（占比25%）操作节奏快、不等加载完成就进行下一步频繁切换页面、快速滑动列表在加载动画出现时连续点击第三类：探索型用户（占比15%）专门点那些“看起来不像按钮”的地方长按、双击、三指滑动在页面边界和角落疯狂试探三类用户加起来，我们让AI模拟了10万个独立的“虚拟用户” ，每个用户在App里执行5-15分钟的“自由探索”，然后记录所有操作序列和App的响应。三、技术方案：怎么让AI“学会”乱点？技术实现上，我们走了三条路。路径一：大模型驱动UI理解传统自动化测试依赖XPath和ID定位——UI一变就挂。我们的方案是多模态模型直接“看”屏幕。每次AI“看到”一个页面，多模态模型会：识别所有可交互元素（按钮、输入框、滑动条、Tab）理解每个元素的语义（“这个是返回”“这个是提交”）根据当前用户画像，决定“点哪个”和“怎么点”这套方案参考了美团的KuiTest思路——让大模型理解UI交互组件的功能，预测点击后的合理结果。不同的是，我们刻意让AI“预测不合理的结果”——专门找那些“点了之后会出问题”的操作。路径二：Delta-Debugging路径压缩AI探索过程中会产生大量操作序列，有些长达几十步。但真正导致崩溃的，往往只是其中某几步的组合。我们引入了一个基于Delta-Debugging二分算法的路径压缩模块：当AI触发了一个崩溃，系统记录下完整的操作序列（比如15步）然后自动尝试删除序列中的某些步骤，看崩溃是否还会复现反复二分，直到找到能复现崩溃的最短路径举个例子：AI用12步操作触发了一个崩溃，路径压缩后可能发现——只需要“快速切换Tab3次”就能复现。这个功能的价值怎么强调都不为过。测试团队拿到的不再是“崩溃日志+长串操作录像”，而是精准的、可复现的最小崩溃路径——开发同学一看就知道问题在哪，修起来快太多了。路径三：多智能体协同探索单靠一个AI到处乱点，效率太低。我们部署了一组AI智能体并行探索：每个智能体独立运行，有不同的“探索策略”有的专注“深层路径”（点进深层页面再操作）有的专注“边界路径”（在页面边缘和角落操作）有的专注“快速切换”（在页面间高频跳转）10万个虚拟用户，实际上是10万个并发的AI探索任务，分布在我们的云真机集群上并行执行。
发布于 北京
分享
评论
赞
未登录
友善发言
评论
加载中
