测试运用AI定位隐性bug，落地难点在哪
我觉得最难的不是让AI“发现异常”，而是让它证明这真的是一个Bug。隐性Bug往往不像按钮点不了这么明确。可能只是：某类用户偶尔失败；某条链路延迟突然增加；两个正常状态组合以后出现异常；日志没有报错，但数据已经不一致；同样的输入，系统偶尔产生不同结果。AI确实很适合从海量日志、指标和历史缺陷里寻找人不容易注意到的关联。但落地以后马上会遇到几个问题：误报太多怎么办；训练数据里没有的新故障能不能识别；AI为什么判定异常；它发现相关性，是否真的存在因果关系；不同版本的正常行为变化，会不会被当成Bug。所以我认为AI测试最重要的一步，不是直接自动提Bug，而是先成为“异常候选发现器”。AI负责告诉测试：这里和平时不一样，值得看一下。测试工程师负责继续验证：能不能稳定复现；影响什么业务；根因在哪里；是否应该阻断上线。AI可以把测试的视野放大十倍，但最后决定哪一个异常值得拉响警报，仍然需要质量判断。真正难的是降低误报，同时不把那些低频但致命的问题一起过滤掉。
发布于 山东
分享
评论
赞
未登录
友善发言
评论
加载中
